“截至2017年年底，深圳市公安局要求全市范围内在视频监控领域实现两万路的人像识别的建设。”在某次会议上，深圳大学安鹤男教授介绍道。

他表示，如今AI已与很多行业融合、落地，就拿安防行业来说，深圳公安部门已经越来越多地使用相关系统协助自身办案。在系统建设过程中，深圳平安城市建设与公安部要求不谋而合，总结起来有四点：全面高清、全域覆盖、全网共享、全时可用。

安教授透露说，龙岗分局是深圳市公安系统人脸识别建设规模最大的一个分局。截止到目前已经建设了智慧警务二期，人脸一期建设了108路，二期就已经上升到了603路，相关关联项目建设了1761路。现如今，接入到龙岗分局业务系统中的人脸识别是2910路，其中还包括了250路从其他分局汇聚到龙岗分局的人像识别的业务系统，比如说联合判案等等。

他在会上强调，人脸识别等系统的应用有效解决了公安以往遇到的棘手难题。在去年的深圳十大杰出优秀警务案例评比中，有六个案例是完全依赖于人像的智能识别，有四个案例是借用了这些系统。

随后，安鹤男教授还例举了一个详细案例加以叙述。“在中国(深圳)国际文化产业博览交易会(文博会)上，深圳市公安局福田分局通过动态人脸布控系统实现了近20万人次的人像识别，并比中20多名前科人员，保障了文博会零案件的发生。”

对于未来，安鹤男教授认为AI等技术将会在安防行业落地生根，语音识别及人脸识别将成两个大方向，包括安防机器人等产品将大受市场欢迎。

以下是安鹤男教授的演讲全文，雷锋网作了不改变原意的编辑：

深圳是智慧安防应用比较早的一个城市。尤其是在平安城市的建设当中，它既围绕着公安部对平安城市的具体建设要求，同时又有深圳本地公安在平安城市建设当中的一些创新和心得。

智慧安防从提出到发展大概走过几个“节点”。从看得见到看得清、从看得清到看得懂。AI的出现很好地解决了机器“如何看懂”难题。

如今，深圳平安城市的建设过程主要围绕四点展开：

一、全面高清。未来的建设目标是全高清。

二、全域覆盖。不留死角，尤其是在死角当中，必须有高清记录。

三、全网共享。全网联通，更宽、更快的信息基础建设。

四、全时可用。全城随时随地可以有效利用相关设备。

其实按照上面的四个目标，也就知道高清前端越多，效果会越好，但由此带来的视频数据也会越大。随着这些数据的指数增长，为这些数据服务的人力、物力的增长成本也是不计其数的。这也就显示出AI在视频监控当中的重要地位及使用环境。

我们常说的这类技术，其实无外乎从三个维度来诠释这些问题：大数据、超算集群、算法。

在世界范围内，包括Google、微软提出来的其实就是卷积神经网络的一些算法，但从用户角度来讲，我们更关注的是在云架构下大数据的计算，包括GPU的集群、给我们带来的API的出口，未来安防行业无论是企业、还是集成单位，更多关心的是使用成本。

这个特点也决定了相关产品在市场上的智能应用。

接下来我会分享一些数据，这些数据是深圳公安局对深圳智慧城市建设当中关乎到AI方面做的一些重点规划。

2017年年底，深圳市公安局要求全市范围内在视频监控领域实现两万路的人像识别的建设。

截止目前建设情况是怎样的呢？首先说一下龙岗分局，龙岗分局是深圳市公安系统人脸识别建设规模最大的一个分局，截止到今天已经建设了智慧警务二期，人脸一期建设了108路，二期就已经上升到了603路，相关关联项目建设了1761路。

现如今，接入到龙岗分局业务系统中的人脸识别是2910路。这个2910路里面还包括了250路从其他分局汇聚到龙岗分局的人像识别之后的业务系统，比如说联合判案等等。

那么这么多的人脸识别建设在龙岗的公安业务系统当中有何成效？深圳在去年年底做了一个十大杰出优秀警务案例评比，其中有6个案例是完全依赖于人像的智能识别，有4个案例是借用了这个系统，从这些数据可以看出，建设相关设备及系统非常有利于公安部门展开工作。

其次是福田分局。福田分局建设相对较晚，之前只建设了65路。但由于该区域由深圳市政府所管辖，包括会展中心每年有很多大型活动，对相关方案需求比较大。比如文博会，今年的文博会总共装了40路相关产品，在此次工作中，系统共识别了180883人，预警了2871人，抓了20人，实现了零案的发生。

说了这么多，其实我们一直都是给AI唱赞歌。“闻其身，观其形”，未来人工智能在安防领域的应用主要会体现在两个方面：

一、语音识别；

二、人脸识别。

而这些技术的应用背后都涉及到深度学习算法，主要关联的就四大块：

第一、计算资源。

我觉得它比算法更为重要，计算资源其实指引的就是超算，基于GPU的超算其实是基于一种浮点、宽浮点的运算，以往，它可能是一千个CPU做的集群，然后存20万张图片，做一次卷积的迭代大概需要一个月。像这样的设备，做12次的迭代，需要一年。

那么今天，如果只有200个GPU，集成一千万张图片做一次迭代只需要两个小时，使得识别率出现革命性变化，机器的识别首次超过了人类。

在这个背景下，无论是科学家也好、企业家也好，就盯上了这个变化，并将这些成果带入安防行业。

第二、规模效应。

规模效应其实是问题的关键。个别案例的破获可能不足以说明问题，但大规模的建设可能会变成相关产品在安防行业落地的导向。

第三、加工。

系统识别过后的数据挖掘及分析。

第四、作业。

其指的是安防领域中相关联的一些业务系统。在以前，很多数据处理在后台完成，未来可以将应用前移，经过芯片算法集成，放在摄像机的前端去做。那么这种作业量和集成量到底是什么关系？目前很多公司可以通过很多的途径来获取大量的数据，目前中国人多，数据也非常多，但是数据采集、抓取之后，数据的整理工作进行的如何呢？

在这里，我想插叙一个故事，AlphaGo可能是对普罗大众最深的一次伤害，这个机器居然能够赢人。

其实，在1996年的时候，也有一个非常轰动的实践——深蓝，IBM推出了一款专门下国际象棋的超级计算机，重1270公斤，只有32颗CPU，线程是并行的，4核，大概是120多个计算单元。

在当年迎战俄罗斯象棋高手，结果是：机器输了，人赢了。那个时候所谓的计算机与如今所谈的AI完全不是一个概念，结构也完全不同；但1997年再战的时候，深蓝就赢了象棋大师，当时就有人非常恐慌，未来该怎么办？

今天，我们看到的这种基于深度学习的AI架构，是建立了一个深度的卷积标做迭代，其实就是耗费背后庞大的计算资源，也就是刚才提到的作业。

后面的这几个指标，就跟我们的业务系统有关系，一个是公安的业务，不仅看脸，还看物、听声、判别类别。未来应用场景有很多：

类别一、视频监控。

这个应用很庞大，包括视频门禁等。

类别二、机器人。

自2015年之后，安防机器人雨后春笋般冒出，包括如今非常火的物流分拣机器人，机器人在安防领域的应用不可低估。

未来，AI在安防领域的‘机会’将非常巨大，可能会体现在两个方面：

方面一、视频监控。

视频监控看得清已经不重要了，未来一定要看得懂。

方面二、大数据和视频结构化技术。

视频记录下来的是非结构化数据，结构化数据的转化是一个非常重要的过程，也是一个非常难的技术。当然，今天已经有了很大进步，但也能从原来手动的变成了半自动的；另外，我们今天的标注其实还有人为的因素。

随着数据量增大，AI将进入一个快速发展期；同时，由于AI的发展，各个行业对AI的依赖性也会越来越大。

在AI的路上，不仅有风花雪月，可能还有诗和远方！