邊端AI芯片在實際應用終端需要深度神經網絡滿足存儲占用小、網絡精度高、計算速度快、電量消耗低等條件，才能真正發揮作用。例如在社會治安應用中，可根據治安、反恐、社區可疑人員等信息結合時間頻次信息等預測出可能出現的危險情況和安全隱患，從而組織治安力量更有針對性地進行社會管理，這些都需要網絡的準確性和實時性，而且邊緣端設備對體積和成本要求很高，不能接受占用很大的存儲空間和功耗。

一、AI芯片是安防領域強需求

　　在電子安防產品市場中，視頻監控系統占據了過半的份額，市場規模達到962億元，成為構建安防系統的核心。目前安防行業涉及多個領域，包括公安安防、智能家居、智能交通、智能制造、智慧城市等，主要需求還是來自于對人和車輛的檢索和識別，后期在行為識別方面的需求也會越來越大。在不久的將來，人工智能技術將會取代眾多傳統的安防技術，整個安防行業的發展已經到了比拼核心技術的關鍵節點。

　　得益于深度學習的發展，以往模式識別中依靠人工完成的特征提取工作全部可以通過網絡結構自主完成。它能夠將視頻圖像內容轉化成清晰表達目標屬性的結構化數據，再進行數據深度挖掘，可有效提高數據處理效率。圖像和視頻的人工智能處理，是目前AI芯片商業化前景最樂觀的賽道，也是玩家們彎道超車的最佳機會。

　　目前市面上主流的人工智能攝像頭產品售價均為幾千元不等，是普通高清攝像頭的幾倍，其主要原因在于AI芯片成本居高不下。如何讓AI芯片成本降低，性能不斷提高，才是智能安防能否真正落地的關鍵。

　　二、邊緣計算是智能安防的主要瓶頸

　　1.應用層面

　　目前，產品落地上主要體現在視頻結構化(對視頻數據的識別和提取)、生物特征識別(指紋識別、人臉識別等)、物體特征識別(車牌識別系統)等應用方向。安防系統每天產生的海量圖像和視頻信息造成了嚴重的信息冗余，識別準確度和效率不夠，并且可應用的領域較為局限。

　　視頻監控系統作為前后端分屬較為明顯的物聯網系統，在邊緣計算的應用方面有很大潛力。攝像機作為前端采集設備，目前不僅清晰度大大提高，而且對智能化需求也越來越強，因此行業內正在極力推進攝像機能夠實現對視頻圖像內容的實時處理，不但能夠極大地降低信息傳輸系統和后端設備的負擔，同時還能夠提升整個安防系統的響應速度，為安防領域一直提倡的"事前預警、事中制止、事后復核"理念走向現實提供最有利的技術支撐。

　　比如在人臉識別應用當中，通過前端抓拍+中心分析的前后端智能相結合的模式，將人臉識別智能算法前置，在前端攝像機內置高性能智能芯片，通過邊緣計算將人臉識別抓圖的壓力分攤到前端，解放中心的計算資源，以集中優勢計算資源做更高效的分析。

　　2.技術層面

　　現階段的人工智能，通常是指依賴于海量數據和深度學習，通過監督或非監督方式訓練而獲得的智能，代價是巨大的計算和存儲復雜度，隨著算法多樣性和復雜度的進一步提升，運算和存儲的代價都會大幅增長。傳統的解決方案是，大量的數據是在云端的數據中心被分析并決策后，再將結果發還給終端，也就是說，云端負責人工智能的部分，終端（也就是邊緣端）負責數據采集以及執行。

　　三、結語

　　AI芯片在智能安防領域扮演著核心角色，芯片在很大程度上左右著安防系統的整體功能、技術指標、穩定性、能耗、成本等，并在安防行業未來發展方向上起到關鍵作用。目前安防監控領域主流的深度學習芯片是GPU，但GPU存在成本、效率、功耗等瓶頸，因此針對安防行業開發的FPGA/ASIC智能芯片成為新趨勢，而且要滿足即時、準確、低成本這些條件，才是未來能在智能安防應用中真正落地的AI芯片。相比于傳統視頻監控，邊緣計算+視頻監控最主要的變化是把被動監控變為主動分析和預警，因而解決了需要人工處理海量監控數據的問題。從本質上看，邊緣計算通過對視頻圖像進行預處理，去除冗余信息，使部分或全部視頻分析遷移到邊緣處，由此降低對云中心計算、存儲和網絡帶寬的需求，提高視頻分析速度。

　　智能安防領域急需適用于邊緣計算的AI芯片，能滿足即時、準確、低成本、低功耗等高要求，通過研究院研發的量化神經處理架構QNPU開發的硬件AI芯片，以及配套的一系列推理引擎等軟件，可以讓智能安防有望突破上述瓶頸，推動智能化安防監控設備更大范圍地普及。