算法商城，到底是不是伪命题？

本文作者：余快

“算法几乎没有什么门槛了。”

有不少人如此认为。

当AI初创企业层出不穷，开放式平台日渐增多，几年争奇斗艳下，算法的确不再是九天月，遥不可及。

算法、算力、数据的人工智能三要素中，算法逐渐被合力攻下，不再为少数人独有算法，逐渐渗透进芸芸产业，落地至万千场景时，新的市场模式诞生：

不少企业做起了“算法商城”的生意，打造计算机视觉领域的APP Store。

算法是否真的没有门槛？像下载APP一样购买算法的算法商城模式，真的可行吗？

软件定义 VS 产品定义

市场太大，供应太少。

这是催生视觉算法商城的沃土。

AI等技术日趋成熟，AI正从安防、交通等领域走向全域。

未来5-10年，AI市场将达千亿、万亿级别已是不争事实。

人脸识别和车辆识别金字塔尖底下，藏着一个巨大的腰尾市场。

海量的碎片化市场里，存在着万千被忽视的小场景。

火焰识别、吸烟识别、楼道障碍物识别、快递爆仓识别、疲劳驾驶检测......

无数散落在全国各地区、各行业的AI需求，像潺潺流水的小溪，正流淌、贯穿出一副山河巨制。

它碎片化、客户体量小、项目规模小，营收小，但胜在数量多，如毛细血管般的市场，正成为腰尾部市场走上台前的重要砝码。

但，不仅扎根于AI腰围部的市场少之又少，也没有一家公司能涵盖所有算法。

由此，不少人认为，计算机视觉算法平台，是AI发展的必然未来式。

主张软件定义的华为便是其中之一。

强势入圈安防的华为不断亮出新的底牌，包括2019年的算法商城。

算法商城，可视为华为软件定义摄像头、连接合作伙伴上的进一步延续。

在华为看来，线下场景千千万，一个硬件一种算法将成为过去。

算法快速发展的需求。AI时代算法、软件更新换代的速度远远快于过去，每月乃至每周都有版本升级。

需求多样性。单一算法需要精准度会不断提升，未来更需要人脸、人体、姿态等多维度数据辅助。

运维管理智能化。未来算法多样性，场景多样性，以及全网摄像机的管理，需要一个可视、可管理、可远程控制的产品，与云端互动，实现在线加载、升级、管理。

智能摄像机根据不同的场景按需加载不同的软件和算法，通过多特征提取与识别、多摄像机间的协同、端云间的协同成倍地提高智能分析效率。

通过算法平台，结合生态伙伴，赋能千行百业。

不难发现，这与华为对安防碎片化场景的理解一致。

华为一直尝试重新整合安防的碎片化，又或者，重新定义安防市场。

段爱国曾接受雷锋网AI掘金志的专访时提到，碎片化是传统安防的思维惯性和遗留问题，历史时期，数据的确是碎片化的。

但传统时代，数据不是关键；智能时代，数据堪比石油，需要联通、共享、汇聚，方能产生更多价值。

进入新的时代，碎片化已经是一个伪命题。

安防需要拥抱云和大数据，大联网、大数据、大平台、大生态。

但不少人对此持观望态度。

他们认为，安防场景更多是产品定义。安防行业并不等于手机行业，不能简单类比。

算法商城模式或者软件定义的成立，需要考虑几个必要问题。

1、细分场景是否有高频的交互和算法需求。

To C 市场，APP Store或者算法商城也许游刃有余，以手机为例，人与产品不停地交互，听音乐、看视频、打游戏等，切换、升级、卸载软件非常频繁。

但To B/P市场，场景需求差异较大，用户选择某一产品，是基于其特定的需求和产品的功能。

人与产品没有也不需要频繁交互，软件升级迭代频率也不高。

比如超市摄像头，目的是巡店、货品管理、辅助结算等功能，切换算法的需求存在，但并不高频和迫切，也无需人与产品长时间交互。

2、算法随意切换的前提是硬件的高配置或标准化。

要实现设备承载不同的算法运行，要么设备参数配置高，要么标准化。

但即使同为某一品牌，几百款不同产品，具备不同的芯片、传感器性能、解析度大小、焦距远近等，高配置和标准化似乎都难以实现。

跨越这些障碍，承载多算法、多应用也许需要时间和技术，算法商城提供商需要考虑的问题。

3、市场大小和成本考量。

正如前文所述，海量的腰尾部市场中，碎片化、客户体量小、项目规模小，营收小，单个细分领域市场并不大。

这对算法商城的算法开发、研发成本提出极高要求。

算法的成本在于开发和验证，目前的算法模型训练，是否收集到足够多的场景数据是关键。

针对AI视觉算法商城话题，雷锋网(公众号：雷锋网)AI掘金志采访了数位业内专家、企业高管，对于AI视觉算法商城模式，企业家们有着共识，也有各自不同的选择和看法。

业内某高管 1：边际成本、客户能力、行业知识是关键

体量大的市场被头部企业瓜分，细分场景的市场容量小，而算法投入大，研发成本要足够低，边际成本足够低，且平台能力、客户能力在线，这个理论才有实现的可能，否则业务难以实现闭环。

以现在深度学习的技术，初步素材积累的工作量惊人。

算法平台的技术可以攻克，核心是客户的整体能力，否则平台的意义不大。

更重要的是，在垂直领域，关键的门槛不是AI算法能力，而是行业知识。

算力、算法、数据技术壁垒之外，「场景、应用、知识」成了决定算法能否真正落地的关键点。

比如识别天气，需要了解不同类别的云，生成原理，演变过程，还需要模拟测试环境和测试集；再比如识别猪，需要了解猪的全生长周期，每个周期具体情况。这些都需要长期深耕行业。

这些都需要深入到一线，与客户沟通交互，获得具体场景的认知，但这些是单个开发者不具备的。

业内某高管 2：软件定义不是一个趋势，是一种可落地的方式

软件定义不是一个趋势，是一种可落地的方式。

1、在成本面前，海量算法需求并非都能被挖掘且落地。

首先，算法的丰富性需要达到一个量级。

其次，算法研发需要巨大的成本投入，比如，可落地的算法需要训练海量的样本，但样本积累的工作量巨大：

需要10万量级的样本，才能训练出80%的精确度，且抓取数据后，需要以张为单位的甄别样本，并标定。比如宠物识别，就需要上百万级别的数据和标注工作量。

根据目前深度学习能力，小样本难以实现高精度。市面上买来小量样本训练，可能只达到70%精确度，误报率非常高，难以落地。

目前为止，之所以AI在人、脸、车落地效果较好，是因此类头部领域积累的样本足够丰富。

另外，客户群体、渠道等问题是变现的核心环节，并非算法单维度。

手机的软件定义之所以成功，一是足够多的应用，二是手机APP本身的研发非常轻量化，且研发完后变现很快。

只有那些掌握了客户群体，掌握了产品，掌握了渠道，有实力的公司，慢慢去运营，才有可能。

2、摄像机本身的碎片化，让大规模应用难度大。

与手机仅有两个系统，任何应用都能运行不同，摄像机内在芯片和硬件都不同。

比如海思的芯片，从几美金到几百美金不等，不同芯片上的算法并不兼容。

有些算法需要2T的算力才能运行30帧，有些算法可能只需要0.5T就够了。把高算力的算法放到低算力的产品上，难以得到想要的效果。

而且算法落地后受摄像机的成像影响很大，即使是同一品牌的产品，不同产品型号之间，镜头广角、传感器等的质量都不一样，最终对算法的效果都有影响，所以大规模产品应用较难。

业内某高管 3：算法商城需要经历教育市场的过程

每个新的行业，会先经历供给创造需求，再需求拉动供给的阶段。

正如苹果迭代几代后，才开始在To C市场大面积普及，人工智能落地时也如此，在教育中得到反馈并不断迭代。

算法商城需要经历一个教育市场的过程。

智能安防摄像机的应用程序并不是一个新概念。

随着深度学习技术的进步，基于应用程序的生态系统与视频分析的同步兴起，更多基于深度学习视频分析的应用，将被更多摄像机所兼容，算法应用的角色也变得更为突出。

在各种场景上，摄像机与场景的组合十分复杂，但近年来，越来越多的智能硬件产品已在迭代跨越这些障碍。摄像机正从单一功能的终端，向多应用聚合的平台转变。

当基础设施完成后，依托云，构建一个类似于APP Store的模式，于用户，只需要下载算法，就有新的AI支持。

对于大公司来讲，这也是持续发展的优选，硬件敲门，软件做增值服务。

在更宏观的层面上，大厂可利用体量和品牌优势，结合合作伙伴的能力，加速数据融合和算法开发。

初创企业，以完全独立的第三方平台的角度切入，是能帮助智能化能力不高的企业在智能化时代立足。

大华股份资深算法工程师：深入业务场景，构建算法全链路技术研发和高质量交付能力

无论是行业算法还是算法商城本质还是希望通过智能化技术让客户能快速、精准解决他的业务痛点。

（编辑：晋中站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!