宇视张鹏国作者 特大号来源

北京安防展浅见一二三

本文由机器之心经授权转载自特大号,未经授权禁止二次转载。

作者:宇视总裁张鹏国

1、毫无争议,本届安防展的当红炸子鸡是AI。但也只是浅红,距离深红差很远,因为AI落地太难。

2、阻碍AI快速落地的最大问题是工程化,前后端设备的更高更快更强之外,系统规划与布点、工勘、立杆、用光、安装调试、后台库加技战法的完备性将越来越重要,地面陆军的巷战能力是决胜点。那些靠空军扔几颗燃烧弹的PPT类公司,对新入行的投资人有效。

3、地区性的软件开发商ISV、系统集成商SI和工程商的生存周期、生存空间和重要性再度被放大,那些有强大交付能力的公司,一定会找到用AI技术改造客户业务系统和管理系统的最好方案,并走到业务转型和基业长青的绝美拐点。

4、AI的强工程、强垂直和强细分,让算法继续无限细分,贴近各行业深度业务及管理需求的公司将有大把机会,但不算独角兽,可算小鲜肉:颇有颜值,年少成名不稳重,尚需时间和历练来积淀代表作。

5、算力是基础通用能力,所以芯片会收敛到少数几家,有量的支撑尤其关键。开放的芯片公司会长大,封闭的大概率失去战机,除非自己有强大的海量硬件来做自我迭代。

6、算法和芯片的关系,因为一个细分一个通用,大势是分离状态。但过程中会有几度分分合合,每两三年一轮:感觉到可以合的时候,下一个拐点可能是分;感觉到要分的时候,下一个拐点可能是合。

7、人脸识别只是开场序曲,“语音+视频结构化+肢体行为”会是下一个爆点。可惜,在北京安防展并没有令人激动的发现,显然,AI时代已经到来的论断为时尚早。

8、大流量低时延全时空的视频流上云肯定不靠谱,QoS要求高+高昂带宽费+隐私保护+安全性,四剑齐发,To B客户不允许,To C客户更难。结构化后上云是另外命题,但那不叫视频云,因为视频是非结构化的。

9、5G+IOT+AI,会催生出量大得无法想象、内容丰富得无法想象、迭代速度快得无法想象的大数据,而云计算和云存储又让大数据跨越时空限制,看起来无比美好的新世界就在眼前。But,大数据的根本性问题始终在:数据产权归谁?数据安全性问题?大数据运营模式何在?

10、安防业务最为人诟病处,就是缺乏真正的杀手级运营业务,导致业务闭环不能完成。而过多的投资拉动背后,就是安防运营商一直是尴尬的存在。但地方债压力过大导致政府投资锐减之时,也许会大大加速以城市公共资源来换运营的模式的确立,也许会加速大数据三个根本性问题的解决。

11、大数据根本上还是应用软件,应用软件在中国做不大的顽疾有仨:个性化定制比例过高、客户不认可按License付费、签完合同后只提需求不加钱。这是中国应用软件行业的沉疴,消费者意识和价值观问题,短期无解。看看中国硬件公司成长的速度和体量,再看看软件公司,答案在风中飘。

12、数据量的增长远超摩尔定律,对大数据技术的更新与迭代的挑战是长期而持续的。大数据作为一种应用和服务,会有持久的生命力和爆发力,但大公司若把大数据作为一种产品则困难重重,因为大公司追求大规模复制,软硬件都一样,而应用软件在中国难以复制的根本问题并没有解决。

13、大数据运营模式成熟之前,围绕数据安全的问题会被引爆:数据的采集、传送、存取、使用和管理,一个雷接一个雷。安全公司将成为新的当红炸子鸡,提前祝贺他们。

14、所有的问题积累到一个点,马上会对现有的“计算+存储+网络”的体系架构提出新的挑战,这是大公司的战场。上一轮体系架构性的革命因“安防IT化”而起,宇视科技得以杀出重围,下一轮会是谁?互联网企业?通信及IT企业?安防企业?答案在时间里。

15、智能家居、安防机器人、辅助驾驶、车路协同,这些吹了很多年的阵风,有可能会借多种新技术的融合和革命性进步,催生出新的解决方案和产品形态,目前看,真正的刚需尚有距离,真正的痛点并未抓住。

16、新一轮技术变革刚开始,探索和验证、试错与迭代、出生和死亡、裂变与聚变,将是安防业的常态:新的角色不断涌现、竞争不会收敛、参展商会越来越多、从业人员素质越来越高。

17、保持向全世界最先进公司学习的胸怀和能力,不断追求原创性的技术进步,才可能成为这场大战的主角。那些不断定制、修修补补、OEM来去的公司,多半沦为配角。

18、变量太多时间轴太长,预测未来完全不可能。方向只能大致正确,组织必须充满活力。

19、花无千日红,谁都有不帅的时候,记得在你还挺帅的时候,别自恋别惰怠,对自己狠一点,你才能红得久一些。人无远虑,必有近忧。生于忧患,死于安乐。

20、任何时候,充分调研、实事求是。

21、任何时候,数字说话。

PS:希望呼吁安防同仁们,用高科技产品帮助解决人口失踪问题,尤其是儿童。

张鹏国,2018年10月24日

于北京新国展宇视科技展台

这不是张鹏国总第一次发表“浅见”了,在去年深圳安博会上,就有《深圳安防展浅见一二三》。

1、意识到这是场战争的时候,战争已经结束了,机会不会等待后知后觉的傲慢。

2、任何再小再细分领域的王者,都是十年左右的寂寞苦熬,从生物识别、车牌识别、人脸识别、POE交换机、电源、雷达、红外、热成像、闸机、RFID、车载DVR、小间距LED、SSD到门禁报警,绝对的“板凳要坐十年冷”,大公司别太自信,小公司别太不自信。

3、想进入任何硬件领域,需做好亏损3-5年甚至5-8年的准备,急功近利者没有未来。没有一蹴而就的公司,更没有一蹴而就的行业,习惯性蜻蜓点水者别碰硬件。

4、失去一个大机会一般是三种情况:以为还早其实已经很晚了、以为还可以随意犯错其实已经机会不多、以为已经来不及了其实机会大把。

5、看到机会点不足奇,做出产品也不难,质量稳定很难、满足客户真正需求很难、迭代方向一直正确很难、有持续的核心竞争力很难、取得规模优势极难、能有合理的利润率则是难上加难。

6、讲概念、纯忽悠是比较容易的事,产品化落地需要地头力,任何不能产品化的理念,无论理念多么炫目,都无用。

7、在人工智能(AI)时代,能不被AI花式忽悠,能实现产品和解决方案的迭代、升级和跨越式发展的公司,最理性最有未来。

8、行业的关键转折点,二十年内最多有一到两次,抓住一次可冲百亿,抓住两次可冲三五百亿。如果不幸全部没跟上节奏,十亿以下甚至快速萎缩到关门,什么情况都可能发生。

9、云计算大数据物联网、车联网、人工智能自动驾驶,概念无论多么炫目,都要回归几个本质:能否给客户创造价值?可否满足最终客户的业务需求?是否降低了各级客户部署的TCO?

10、泛IT行业(安防也算IT)概念太多,下苦力做产品的公司太少,OEM来去全无核心竞争力的公司太多,远远不及高铁通信等行业。

11、未来的安防行业有几个大坑,按坑的直径大小降序排列,依次为:大数据云计算、智能化、物联网(含车联网)。大数据的坑在于业务流和管理流的泛定制化,云计算的坑在于忽略了视频业务的QOS和实时性,智能化的坑在于场景的复杂性和不确定性,物联网的坑在于物联数据的多样性、完整性和时空一致性。

12、安防的仗貌似基本打完,物联网和智能化的仗刚刚开始,自觉鸡血充沛的可以跟着大部队,但也一定是雪山草地,十年血战。

13、同行们20年内饭碗无忧,一口气干到退休不用换行,专注专业的公司会赢得局部战役甚至整个战争。

14、没有蓝海只有红海,所有细分领域均充分竞争,持续努力之下幸运抓住某次技术拐点,有可能看见新的蓝色,但不做只看不会有机会。

15、放眼全球安防,无论技术、服务还是成本,中国公司都是降维攻击,中国的就是世界的,中国第几就是世界第几,早晚问题,无悬念。

16、在产品成功的所有要素中,实战中经受磨砺并快速迭代居第一位,大方向正确即可切入,剩下看迭代能力和纠错机制。

17、看到和得到之间,有两个字叫“做到”,做不到就是陷阱,做到了就是机会。品格的成熟铸就产品的成熟,确实。

18、idea也值钱,但做事最苦成事太难,更值钱的是能把事做成的人,把企业推向成功的要素很多,人是第一要素。企业成功俩大关键:好产品吸引客户、好机制吸引员工。 

19、会弃子的公司才能争先,如何弃子?这是世间最难的事,最考验决策者的智慧和远见,还有一丢丢的运气。

20、生于忧患,死于安乐。

21、任何时候,数字说话。

张鹏国,2017年10月,深圳

本文由机器之心经授权转载自特大号,原文链接:https://mp.weixin.qq.com/s/hg1S5CbqcccD0g5E3sRYiA

产业安防人工智能
1
相关数据
自动驾驶技术技术

从 20 世纪 80 年代首次成功演示以来(Dickmanns & Mysliwetz (1992); Dickmanns & Graefe (1988); Thorpe et al. (1988)),自动驾驶汽车领域已经取得了巨大进展。尽管有了这些进展,但在任意复杂环境中实现完全自动驾驶导航仍被认为还需要数十年的发展。原因有两个:首先,在复杂的动态环境中运行的自动驾驶系统需要人工智能归纳不可预测的情境,从而进行实时推论。第二,信息性决策需要准确的感知,目前大部分已有的计算机视觉系统有一定的错误率,这是自动驾驶导航所无法接受的。

人工智能技术

在学术研究领域,人工智能通常指能够感知周围环境并采取行动以实现最优的可能结果的智能体(intelligent agent)

收敛技术

在数学,计算机科学和逻辑学中,收敛指的是不同的变换序列在有限的时间内达到一个结论(变换终止),并且得出的结论是独立于达到它的路径(他们是融合的)。 通俗来说,收敛通常是指在训练期间达到的一种状态,即经过一定次数的迭代之后,训练损失和验证损失在每次迭代中的变化都非常小或根本没有变化。也就是说,如果采用当前数据进行额外的训练将无法改进模型,模型即达到收敛状态。在深度学习中,损失值有时会在最终下降之前的多次迭代中保持不变或几乎保持不变,暂时形成收敛的假象。

人脸识别技术

广义的人脸识别实际包括构建人脸识别系统的一系列相关技术,包括人脸图像采集、人脸定位、人脸识别预处理、身份确认以及身份查找等;而狭义的人脸识别特指通过人脸进行身份确认或者身份查找的技术或系统。 人脸识别是一项热门的计算机技术研究领域,它属于生物特征识别技术,是对生物体(一般特指人)本身的生物特征来区分生物体个体。

规划技术

人工智能领域的「规划」通常是指智能体执行的任务/动作的自动规划和调度,其目的是进行资源的优化。常见的规划方法包括经典规划(Classical Planning)、分层任务网络(HTN)和 logistics 规划。

云计算技术

云计算(英语:cloud computing),是一种基于互联网的计算方式,通过这种方式,共享的软硬件资源和信息可以按需求提供给计算机各种终端和其他设备。

大数据技术技术

大数据,又称为巨量资料,指的是传统数据处理应用软件不足以处理它们的大或复杂的数据集的术语。

降维技术

降维算法是将 p+1 个系数的问题简化为 M+1 个系数的问题,其中 M<p。算法执行包括计算变量的 M 个不同线性组合或投射(projection)。然后这 M 个投射作为预测器通过最小二乘法拟合一个线性回归模型。两个主要的方法是主成分回归(principal component regression)和偏最小二乘法(partial least squares)。

摩尔定律技术

摩尔定律是由英特尔创始人之一戈登·摩尔提出来的。其内容为:积体电路上可容纳的电晶体数目,约每隔两年便会增加一倍;经常被引用的“18个月”,是由英特尔首席执行官大卫·豪斯所说:预计18个月会将芯片的性能提高一倍。

推荐文章
暂无评论
暂无评论~