根據市場預估，至2026年全球AI軟硬件及服務支出將超過3000億美元，2022～2026年的年復合增長率（CAGR）達26.5%;而結合AI技術的安防應用市場規模也將增加超過100億美元，CAGR達18.64%，且增長速度有愈來愈快的趨勢。

  因此，安防廠商們紛紛爭先恐后地投入AI的懷抱，尤其以影像為主的監控廠商，早已將AI技術運用于監控影像針對特定對象的偵測、搜尋、追蹤，并可自動觸發、聯動警報等相關系統設備，大幅降低人力、物力，并提升安全管理的效能。

  AI雖好用，但支持其運算的硬件設備和耗能負載皆頗高，因此在追求精準度的同時，如何減輕負載、讓AI更「輕盈」、速度更快，又能解決企業普遍欠缺AI專業人才的問題、降低所需付出的成本，成為業界共同努力的方向。在今年Secutech展場上，a&s觀察到AI在安防產業發展的3大趨勢：

 一、從云端到邊緣

  近年來AI運算功能逐漸由后端／云端往邊緣（Edge端）發展的態勢愈來愈明顯，主要的好處在于可縮短時間、降低風險及耗能，當然還有最重要的——節省成本。例如，IT大廠Intel（英特爾）提出的Edge AI解決方案，強調只需要一般的PC、Notebook或x86的工業計算機，透過OpenVINO開放式平臺，即可運用該平臺上200多種算法（包括TensorFlow、CaffeZ…等）自行開發或采用第三方伙伴已預先訓練好的AI模型，輕松將終端設備轉變成Video AI Box、具AI功能的NVR或Edge端的AI Server，進而解決各種領域所面臨的問題，讓AI系統成本不再高昂。

  安防廠商推出的Edge AI解決方案也相當多元，尤其監控攝像機廠商已紛紛將AI視頻的辨識、分析、搜尋、追蹤等功能做在前端。例如：晶睿（Vivotek）通過前端的對象特征擷取運算（Edge-centric object extraction），不需在后端安裝高效能顯卡執行分析運算，有效降低服務器的運算資源和建造成本。利凌（LILIN）則早已看準Edge AI將成為主流，致力于邊緣運算AI攝像機結合5G與云端的應用，并推出最新的AI廢棄物偵測（Trash Detection）、球類追蹤（Ball Tracking）、性別判斷（Gender Detection）等功能，其視頻管理軟件（VMS）更是專為邊緣運算AI攝像機整合設計。而軟件廠商富萱（AiUnion）所開發的AI視頻辨識邊緣運算，則是融合了AI深度學習的影像分類、對象偵測和影像分割（Image Segmentation）技術，建立如智慧工業、科技執法、安防監控等的通用模型，便于用戶直接導入使用，若有特定應用再視其需求量身訂制。

  二、從「沉重」到「輕快」

  一般來說，AI在辨識視頻時會將相似的影像（如背景）視為獨立圖像而重新進行辨識，因此運算量大;當有大型場域要做AI視頻辨識時，支持其運算的硬設備數量及成本必然昂貴，相對耗能也高，并不符合企業持續性發展（ESG）的原則。因此，已有不少廠商想方設法，希望能為現行的AI運作模式「做減法」，令其揮別沉重的負擔，展現輕盈的體態、邁出輕快的腳步。

  例如，電子大廠臺達（DELTA）就推出了DIVA（DNN Inference OS for Video Analysis）智能加速器，利用一連串相似影像的特性加快AI視頻分析的速度，可應用在靜態或動態攝像機上。只要在任何影像應用的AI模型上加上一層DIVA SDK軟件，就可加速2～6倍（視場域硬件、視頻分辨率、AI模型不同）且不損失任何精準度，進而降低設備數量及能耗，達到節省成本目的。

  新創公司耐思尼（Nexuni）也提出利用低功耗、小型化、高度定制化的嵌入式系統（如Embedded Linux、Nvidia Jetson Platform…等），結合可降級至KB儲存等級的機器學習模型TinyML成為Edge AI系統架構——可在資源有限的端點硬件規格上，進行視頻（如人臉）和語音的AI運算，并保持與Server級運算相同的準確率。根據實測，TinyML可將Server等級所需的16GB，降至邊緣嵌入式系統的320KB，等于將傳統機器學習模型縮小了5萬倍，更便于開發可應用于各種規格系統、易于普及的自動化解決方案，提升管理效率。

  三、從專業到普及

  近來ChatGPT讓AI在全球的關注熱度居高不下，主要在于它讓大家使用AI這件事變得容易起來。同樣地，為了讓AI能夠加速普及市場應用，業界也努力透過簡化開發技術與設計流程，希望即使不具備AI專業知識的人，也能輕易打造滿足本身業務需求且有效的AI訓練模型。例如，Intel（英特爾）Geti計算機視覺平臺標榜可讓任何人透過簡單的數據上傳、標注、模型訓練以及再訓練界面，配合OpenVINO工具組進行優化，就可輕易部署高質量的計算機視覺AI，藉以推動更多應用創新、提高企業整體效能。

  有鑒于一般AI項目導入流程：數據預處理→選定算法→程序開發AI模型→模型驗證，不僅需要AI或IT專業人員，還需反復作業、動輒耗時數月;杰倫智能（Profet AI）發展的AutoML Platfrom（No-Code AI平臺），則是將「選定算法→程序開發AI模型」兩步驟利用機器學習技術自動、快速地建立AI模型，而且可將模型驗證優化。如此一來，企業各部門（如人資、研發、生產、IT…等）人員都能很方便地應用AI解決所屬業務領域的各種問題，例如，將AutoML Platfrom應用在工業生產上，能夠優化生產制造過程、提升整體良率與效能;應用在網絡安全上，也可協助預測安全程度，防止外泄風險郵件。

圖文轉自安防知識網