AI开放平台离不开城市大脑和行业应用，随着经济生活的不断发展，城市的建设与管理也面临新的变化，近几年人工智能、云计算、物联网、大数据等先进技术的快速发展，覆盖了治安防控、智慧交通、智慧校园、智慧社区等诸多领域的智慧城市，实现了大量的场景应用落地。许多传统安防企业、互联网企业和运营商服务商都参与到数据资源、技术能力、产品研发的竞争合作各环节，共同促进数字经济和智慧城市的建设。视频图像由于包含大量的物联感知信息，成为智慧城市建设的重要内容之一，因此，基于图像智能分析构建智慧城市数据底座的系统架构成为行业的主要方向，目的是构建智慧城市的“视觉中枢”，再以“视觉中枢”为基础赋能智慧城市。尽管各厂家对自己的定位和规划不尽相同，但综合来看，可以归纳为两类设计理念。

　　一、以数据采集、信息连接和智慧大脑为思想的平台架构，主要方式是通过前端感知、边缘计算和数据中心，打通城市治理的各个角落，把城市、企业、个人的数据汇聚起来，进行分析挖掘，让城市运行更智能。

　　二、通过以人工智能为核心的先进技术为千行百业赋能，提升场景化应用体验，针对实际应用的需求升级来推动智慧城市有序发展。通过量身打造的行业解决方案，提供更加完善灵活的工具手段，解决管理使用中的痛点，

　　这两种理念并不排斥，因为不论是由上而下的数据连接，对城市治理进行换脑换血手术，还是自下而上的应用牵引，对各类场景进行升级赋能，本质是相互融合，互相促进。这两种理念的相同之处都是有前端图像采集和后端数据分析。图像采集的发展趋势是通过智能终端或边缘智能提升基础设施，只有将城市每个区域的视频进行智能化分析，才能支撑后续的数据治理和知识推理等环节。

　　国家出台“新基建”政策的原因主要为因为疫情对经济的影响，尽管新冠肺炎在中国本土实现了控制，但在全球不断蔓延的不容乐观，疫情波及的国家越来越多，美国股市出现了史无前例的短期多次熔断，全球的经济形势受到影响，世界经济组织纷纷调低经济增长预期，甚至断言全球经济将进入衰退期。疫情给中国经济带来的下行压力影响会带来较大的系统风险和社会风险，政府需要启动经济增长的新引擎。以5G网络、人工智能、物联网等新技术为核心的第四次工业革命的浪潮兴起，传统基建投资的边际效益下降，需要通过新的基础设施来支撑。国家希望推动“新基建”优化结构，促进科技进步和产业升级。

　　“新基建”概念源于2018年底中央经济工作会议，会议部署2019年工作任务时指出，“加快5G商用步伐，加强人工智能、工业互联网、物联网等新型基础设施建设”。2019年全国两会，政府工作报告明确要求：加快5G商用步伐和IPv6（互联网协议第6版）规模部署，加强人工智能、工业互联网、物联网等新型基础设施建设和融合应用。2020年1月3日，首次国务院常务会议要求：要大力发展先进制造业，出台信息网络等新型基础设施投资支持政策，推进智能、绿色制造。今年初，因新冠肺炎疫情暴发等原因，“新基建”进度受到影响。随着复工复产，加速推进成为必然。

　　传统基础设施主要包括铁路、公路、机场、桥梁等，增长空间有限，“新基建”涵盖了5G、特高压、城际高速铁路和城际轨道交通、新能源汽车充电桩、大数据中心、人工智能、工业互联网（物联网）七大领域。“新基建”是为未来经济增长储能，将给5G、云计算、工业互联网等信息产业链带来更多支撑。在此轮基建热潮中，北京、河北等13个省市相继公布2020年重点项目投资计划，总投资额近34万亿元，如此大规模的经济投资，对相关产业的拉动无疑是显著的。以5G、人工智能、数据中心等为代表的新型基础设施建设，将极大加速信息技术在各行业的深入应用，从而更多地推进传统产业的改造升级，比如：利用信息技术进行数字化升级改造的平安城市、交通、能源、物流等城市支柱行业、AR/VR设备、无人机、智能机器人、智能汽车、远程办公、在线教育等。5G网络的铺设、云计算设施的升级、边缘计算设施的部署等基础设施的质量性能的改善以及大规模建设，必将带动这些新业务的发展，创造出新的繁荣业态。

　　从智慧城市建设的角度分析，“新基建”包括四层：1、基础是5G、大数据、人工智能、云计算、物联网、区块链，需要基础设施的支撑，如5G基站、IDC数据中心等；2、第二层是运用信息化技术升级城市现有的传统基建设施，如智慧城市、智慧交通等项目；3、第三层是发展新能源新材料的配套应用设施，如充电桩、光伏等；4、第四层次是补短板，如科技园区、城际高铁、轻轨等。其中，作为核心基础技术的人工智能发挥着关键作用。其中，人工智能是引领新一轮科技革命、产业变革、社会变革的核心驱动力，它将人从枯燥的劳动中解放出来，越来越多的简单性、重复性、危险性任务由人工智能系统完成，减少人力投入和提高工作效率，持续研究新一代人工智能的应用场景，将重新激发生产、分配、交换、消费等经济活动的生命力，催生新技术、新产品、新产业，将对经济发展、社会进步、国际政治经济格局等方面产生重大深远的影响。

　　人工智能在孕育新技术新产品的同时，也对传统行业进行了巨大赋能，不但在教育、医疗、养老、环保等领域提高公共服务精准化水平和人民生活品质，而且对基础设施和社会安全运行的态势可以准确感知预测，提高社会治理能力和水平，从而推动经济结构的重大变革，实现社会生产力的整体提升。

　　不同的人工智能帮助解决不同类型的问题，经典机器学习适于统计问题和推荐引擎。深度学习适于图像/语音识别、自然语言处理、模式识别检测，推理适于供应链、数据库欺诈检测、波动分析，新兴方法适于生物序列对比等。简单说，人工智能是能够感知、推理、行动和适应的计划；机器学习是性能随时间推移和数据增加而逐步提升的算法；深度学习是机器学习的一个分支，通过多层神经网络在海量数据中进行学习。

　　近年来，全球数据井喷式的爆发、AI算力的飞速增长和深度神经网络算法的突破，使得并行计算变得更快速和更有效，人工智能开始全面爆发。深度学习使得机器学习拓展了人工智能的领域范围，让几乎大部分机器辅助功能都变为可能，比如无人驾驶汽车、无人机、语音识别、欺诈检测、产品推荐等方面。在图像分类、物体检测、图像语义分析、人脸识别、光学字符识别等计算机视觉领域，深度学习的应用尤为广泛，在一些场景中甚至可以比人做得更好。其中，深度学习对图像解析的突出帮助使得视频应用得到了跨越式发展。深度学习主要依靠三个方面：巨大的标记数据样本（图像和语音）、先进的算法/模型/软件（神经网络算法CNN和RNN以及深度学习框架）和高性能计算（数据样本多/模型训练时间长/参数更新快速同步）。

　　数据来自于千行百业的基础信息，软件算法的开源优化和芯片算力的快速提升使得人工智能形成了真正开放的巨大生态，AI开放平台作为技术孵化、应用创新和商业布局的结合点，正在从各大企业的内部研发产品开始走向台前，为人工智能的快速普及提供技术支撑。

　　算法方面，目前CNN的深度学习框架主要包括：Caffe、Tensorflow、CNTK、MXNet等。CNN分为模型训练和应用推理两个环节：模型训练是获取推理模型，应用推理是根据训练模型和输入数据获取计算结果，如图片分类。不同环节采用不同的计算架构：模型训练使用CPU+GPU计算架构，应用推理可以采用CPU+FPGA、计算架构等。GPU算法实现架构成熟，适合较复杂的训练算法，FPGA可灵活实现多任务处理且运行能效更好。

　　算力方面，目前实现深度学习的高性能计算硬件平台主要包括GPU、ASIC、FPGA，GPU因为先发优势占据较大市场份额，FPGA正试图在云端服务器发力，ASIC难度更高但更适用于深度学习算法。算力需要具备并行性、多线程、高内存带宽等特性，而且由于数据的训练时间长，需要低功耗的硬件架构。GPU是目前深度学习训练系统比较成熟和广泛的硬件平台，最初为处理图形而设计具备了大规模的独立神经元，更擅长高度并行的密集计算。通常，训练平台（AI开放平台）采用CPU+GPU卡组建集群和数据中心，应用程序的串行部分在CPU上运行，计算任务繁重的部分由GPU加速，CPU与GPU通过PCIE总线通信，GPU主要通过专用编程框架CUDA软件开发，CUDA不需要借助图形学API，采用通用计算并行架构和C语言进行开发，降低了难度。

　　城市中摄像头每天采集的数据量非常大，内容非常丰富，蕴含巨大的价值，可以解决城市管理中的诸多难题。我们希望把视频图像里面的内容和目标自动转换成结构化数据，让每个人都能直接理解人/车/事这几类主要信息，车：车型、车款、车牌号码、车辆颜色、行驶方向、行驶速度，人：步行、骑车、性别、年龄、上身、下身、背包拎包，事：拥堵、逆行、徘徊、奔跑、剧烈运动、交通行为。有了以上数据就能进行决策和优化，比如根据交通流量优化红绿灯配时系统，比如在视频中搜索可疑车辆（肇事）和可疑人（失踪），比如挖掘数据之间的关系和规律，找到数据之间背后的原因，还可以进行趋势预测，比如半小时甚至更长时间后的车流和路径规划。但原先的智能分析技术一直存在识别准确率低、场景适应性差、识别种类少等问题。深度学习通过大量数据训练来建立输入数据和输出数据之间的映射，通过人工智能来自动处理海量监控视频数据，解决了以往的技术瓶颈。以平安城市为例，针对道路监控等相对标准场景的视频，可进行人脸动态识别和机非人实时结构化分析和特征信息提取，转化为公安所需的情报线索。

　　人工智能离不开行业应用，行业应用也离不开人工智能。人工智能要落地，一定要深入到行业中的具体场景，解决实际问题，如何让AI算法快速赋能千行百业--大多数AI开放平台为了降低开发者的使用门槛，大多能提供免费的公用硬件资源、标准规范的开发语言以及快捷易用的操作方法，有些经验的开发人员只要提供大量的样本，都可以通过AI开放平台针对自己的应用需求进行优化和改进。以天地伟业的平安城市系统解决方案为例，前端产品主要是用于边缘节点计算的AI摄像机（人脸识别摄像机/卡口电警摄像机），在采集视频和图片的同时，依靠内置的算力芯片和智能算法，为云端的数据中心提供结构化的数据，可以减少云端分析处理的计算资源压力和网络带宽等系统成本。云端产品主要是智能NVR、人脸识别比对服务器、图像结构化分析服务器。智能NVR是在集中存储图像的基础上，通过集成深度学习算法实现了针对视频内容的智能分析和信息提取，比如小型比对库的人脸识别/车辆识别等，适合中小型项目使用。人脸服务器和结构化服务器通过在X86服务器集成高性能芯片和深度学习算法，专门对人脸特征、车辆特征、机动车/非机动车/行人的全目标特征进行快速提取和准确识别比对，比如1亿人脸底库的识别比对、卡口过车图片的二次特征提取和以图搜车、行人的衣着体貌特征识别和以图搜人等。这些融合在前端产品和云端产品的算法可以持续升级优化，甚至可以根据客户的特殊需求进行定制，原因就是基于AI开放平台，结合行业具体应用需求和承载的硬件资源，实现了灵活快速的优化配置，为不同行业不同场景提供了最优性价比的组合方案。

　　智慧城市对信息感知的目标是全面、全量、实时。通过边缘节点计算和云端计算把非智能的设备和系统转变成具有强大人工智能的设备和系统，基于AI的大数据平台，通过大数据治理技术将海量多源异构数据治理成行业知识，利用机器学习、知识图谱、符号推理等技术就可以主动分析隐藏在人的行为背后的行业知识。AI开放平台作为人工智能加速普及的有益尝试，也存在训练环境受限、客户预期过高、算法调优难度大等问题，需要厂商持续加大投入，推动开发生态扩张。