0
安防，是目前人工智能企業(yè)營收最多的行業(yè)之一。
在高清監(jiān)控?cái)z像頭數(shù)量與AI滲透率不斷遞增的情況下，由攝像頭采集的圖像、視頻流數(shù)據(jù)，需要更強(qiáng)大的計(jì)算引擎對(duì)其進(jìn)行傳輸、存儲(chǔ)、訓(xùn)練和分析。
在現(xiàn)階段的各類安防項(xiàng)目中，依靠智能DVR和NVR顯然無法滿足這些要求；而穩(wěn)定性和安全性都欠佳的X86服務(wù)器，由于基于PC機(jī)體系結(jié)構(gòu)，也很難在安防企業(yè)級(jí)服務(wù)器市場有驚艷表現(xiàn)。
那么人工智能時(shí)代下的安防行業(yè)，到底需要什么樣的服務(wù)器？ 針對(duì)一系列問題，雷鋒網(wǎng)人工智能開發(fā)者與學(xué)術(shù)社區(qū)“AI研習(xí)社”，特地設(shè)立《AI安防行業(yè)到底需要什么樣的服務(wù)器？》主題問答，發(fā)起討論。
我們也邀請了浪潮商用機(jī)器OpenPOWER產(chǎn)品營銷部總監(jiān)張琪針對(duì)用戶們的問題進(jìn)行解答，浪潮商用機(jī)器作為業(yè)內(nèi)少有的可提供安防視頻分析軟硬件服務(wù)器一體機(jī)的企業(yè)，對(duì)AI安防需求有著深刻的理解。與此同時(shí)，以“海、大、宇”為代表的傳統(tǒng)安防公司、以“CV四小龍”為代表的AI公司、的眾多專家，也從自己的角度對(duì)用戶提出的諸多問題進(jìn)行回答，雷鋒網(wǎng)AI研習(xí)社節(jié)選了4大主題的9個(gè)問題，予以呈現(xiàn)：
1.現(xiàn)階段大部分安防公司使用的什么樣的服務(wù)器，既能滿足安防企業(yè)現(xiàn)有的需求，同時(shí)也能應(yīng)對(duì)好未來的AI算力需求？
李迪：
作為安防公司技術(shù)高管，之前X86服務(wù)器一直都是我們采購的首選。
當(dāng)下的問題是，各科成績都達(dá)標(biāo)的 X86服務(wù)器，在很多業(yè)務(wù)要嵌入AI時(shí)，遇到蠻多棘手的問題。
從安防用戶實(shí)際使用角度考量，目前X86服務(wù)器應(yīng)用在安防行業(yè)主要存在三大問題：
一、CPU負(fù)責(zé)邏輯運(yùn)算的單元并不多，在多任務(wù)處理時(shí)效率低下。面對(duì)海量視頻信息，傳統(tǒng)X86服務(wù)器單純以CPU為核心的數(shù)據(jù)中心部署已經(jīng)不能很好地滿足并行靈活計(jì)算、多變環(huán)境的計(jì)算需求，很難在安防企業(yè)級(jí)服務(wù)器市場有驚艷的表現(xiàn)。
以前的視頻數(shù)據(jù)只需存在后臺(tái)，做少量分析即可，也就是說存儲(chǔ)足夠大就行；今天，很多客戶都希望我們能夠?qū)崟r(shí)處理這些海量視頻信息并反饋結(jié)果，而這就意味著系統(tǒng)需要同時(shí)做解碼、做視頻結(jié)構(gòu)化、做識(shí)別、搜索等等，X86明顯就不夠用了。
換句話說，X86可以類比手機(jī)里的功能機(jī)，它能夠滿足單一的通信處理需求，而AI融入的安防市場，更需要一臺(tái)強(qiáng)大的智能手機(jī)，配備更強(qiáng)大的性能以適配游戲、圖片處理等個(gè)性需求。
越來越多新應(yīng)用的出現(xiàn)，傳統(tǒng)的X86計(jì)算架構(gòu)會(huì)遇到很多瓶頸，包括數(shù)據(jù)瓶頸（處理器的計(jì)算單元以多快的速度獲取和交換數(shù)據(jù)）、計(jì)算瓶頸（單位空間內(nèi)能集成多少計(jì)算能力）、延遲瓶頸、通信瓶頸。
就像設(shè)計(jì)時(shí)速30碼的道路難承載均速100碼的車輛通行一樣，很短時(shí)間內(nèi)就可造成道路擁堵甚至癱瘓。
今天來看，面對(duì)大計(jì)算、智能化場景，什么樣的服務(wù)器+軟件解決方案，能夠最先解決算力問題，又能夠更好降低功耗與成本，這就是好產(chǎn)品。
胡曉：
1.未來城市大腦級(jí)的安防網(wǎng)，對(duì)檢索、比對(duì)、實(shí)時(shí)三維建模的運(yùn)算能力要求極高
2.人車結(jié)構(gòu)化數(shù)據(jù)增多，安全性會(huì)越來越重要
3.需要更大效能的傳輸，未來實(shí)現(xiàn)圖像特征編碼能力
4.前端越來越智能，后端存儲(chǔ)需求可能會(huì)下降
總體而言，服務(wù)器需適應(yīng)這四大問題。
1. 服務(wù)器廠商打造的安防AI軟硬件一體機(jī)端到端解決方案，相比于AI公司開發(fā)的方案，有哪些優(yōu)勢，有哪些難點(diǎn)需要攻破？
李志鵬：
現(xiàn)在基于人工智能的生態(tài)則有個(gè)特點(diǎn)，主要是在于生態(tài)的多樣性和不成熟。從數(shù)據(jù)清理開始，導(dǎo)入算法，通過框架建模，形成一個(gè)人工智能的應(yīng)用，傳統(tǒng)客戶沒辦法直接使用人工智能應(yīng)用，整合復(fù)雜性更高。
所以服務(wù)器公司給客戶提供端到端軟硬件解決方案，在現(xiàn)階段是符合商業(yè)規(guī)律的，單機(jī)銷售模式目前還挺難走通。只能說這種模式比單機(jī)更有優(yōu)勢，但相比AI公司，真不好說。
鐘林：
AI公司的優(yōu)勢在應(yīng)用層的算法性能方面，服務(wù)器公司的優(yōu)勢在整體成本層。各有優(yōu)劣，所以具體看場景吧，復(fù)雜場景動(dòng)態(tài)人臉找AI公司，其他簡單的場景找服務(wù)器公司。
包翰霽：
其實(shí)做一體機(jī)方案的服務(wù)器公司比較少，以浪潮商用機(jī)器的視頻分析方案為例，他們的方案因?yàn)樘峁┑氖且徽总浻布a(chǎn)品，尤其是算力模塊和軟件包、圖像定制化開源框架，所以適用的場景更加寬泛，受限的環(huán)境條件要更小，包括光照條件差，監(jiān)控設(shè)備的老舊和攝像頭清晰度不夠的問題，浪潮的方案都能蠻好地適應(yīng)這些問題。能夠最大程度上利用好客戶現(xiàn)有的設(shè)備。
難點(diǎn)在于浪潮在人臉識(shí)別的單點(diǎn)場景上和CV四獸比起來性能上還有差距，不過我上次聽浪潮的思路是，尋找合適的AI獨(dú)角獸合作，互相補(bǔ)足，一起打造好的方案。
2. 安防行業(yè)人臉比對(duì)嫌疑人檢測服務(wù)等，后端都是有大量的數(shù)據(jù)在支撐，并且這些數(shù)據(jù)在快速增長。這些客戶都在用分布式存儲(chǔ)來承載這些數(shù)據(jù)。所以分布式存儲(chǔ)要求有很好的彈性擴(kuò)展性和高并發(fā)響應(yīng)能力，這就對(duì)集群內(nèi)的單節(jié)點(diǎn)存儲(chǔ)容量，存儲(chǔ)讀寫速度和集群內(nèi)節(jié)點(diǎn)間通信速度都有較高要求。那么現(xiàn)在AI安防項(xiàng)目需要什么樣的存儲(chǔ)服務(wù)器呢？分布式存儲(chǔ)解決方案可以解決安防中的哪些痛點(diǎn)？
孫鐘前：
我們部署過分布式存儲(chǔ)方案來管理海量非結(jié)構(gòu)化數(shù)據(jù)，目前來看，它的確可以很好地應(yīng)對(duì)包括云、大數(shù)據(jù)、智能分析等諸多安防實(shí)際場景?！?/p>
之前行業(yè)中較為常見的存儲(chǔ)方案大概包括DAS、NAS、SAN（IP SAN&FC SAN）等，眼下，以上幾種方案在實(shí)際應(yīng)用過程中已經(jīng)遭遇一些發(fā)展瓶頸。
譬如NAS本身的系統(tǒng)瓶頸，存在單點(diǎn)故障以及性能問題，網(wǎng)絡(luò)協(xié)議還會(huì)帶來額外的IO開銷，很難滿足安防AI對(duì)大規(guī)模數(shù)據(jù)高存取速率的需求。
再譬如SAN一般是將塊設(shè)備提供給不同服務(wù)器使用，但服務(wù)器之間要共享數(shù)據(jù)仍然需要上層軟件來控制。雖然一些基于SAN的共享文件系統(tǒng)，如Veritas、CXFS等軟件利用元數(shù)據(jù)服務(wù)器控制數(shù)據(jù)訪問，但元數(shù)據(jù)服務(wù)器本身也是潛在的瓶頸。
就安防行業(yè)來說，相比此前較為常見的傳統(tǒng)存儲(chǔ)方案，基于GPFS的分布式存儲(chǔ)服務(wù)器解決方案在大規(guī)模集群應(yīng)用中優(yōu)勢明顯，未來應(yīng)用前景會(huì)越來越廣闊。
張琪：
安防行業(yè)以前對(duì)數(shù)據(jù)存儲(chǔ)的主要需求就是數(shù)據(jù)安全，查詢快速，容量大。在安防智能化之后，對(duì)存儲(chǔ)服務(wù)器的新增需求就是強(qiáng)大的算力和高吞吐量。
分布式存儲(chǔ)的多節(jié)點(diǎn)備份和高并發(fā)正好可以解決安防領(lǐng)域的數(shù)據(jù)安全和查詢速度的需求；分布式存儲(chǔ)的彈性擴(kuò)展可以讓客戶按照需求靈活擴(kuò)容，同時(shí)以比集中式存儲(chǔ)更經(jīng)濟(jì)的容災(zāi)備份方案進(jìn)行基礎(chǔ)設(shè)施投資，可以避免客戶一次性投資過大；安防智能化之后，分布式的高IO擴(kuò)展性正好能夠滿足更強(qiáng)的算力需求。
1.在車站、機(jī)場這類人流較多的封閉場景中，通過識(shí)別非人臉特征（穿搭、外形等信息），進(jìn)行目標(biāo)對(duì)象檢索與跟蹤，往往比人臉來的更有效。一款優(yōu)秀的非人臉信息結(jié)構(gòu)化系統(tǒng)，需具備哪些條件？ 非人臉結(jié)構(gòu)化系統(tǒng)在哪些場景中比人臉識(shí)別更實(shí)用？市場上有哪些優(yōu)質(zhì)的解決方案？
謝鵬宇：
視頻結(jié)構(gòu)化的應(yīng)用場景與人臉識(shí)別的應(yīng)用場景是互補(bǔ)的，在開放式空間區(qū)域中，很難基于卡口架設(shè)人臉識(shí)別攝像頭，而且人群相互之間的遮擋嚴(yán)重，無法根據(jù)人臉識(shí)別技術(shù)進(jìn)行識(shí)別、定位、追蹤及數(shù)據(jù)整合。而非人像的視頻結(jié)構(gòu)化系統(tǒng)可以在廣角度下捕捉全屏中的目標(biāo)，通過整體特征對(duì)目標(biāo)進(jìn)行追蹤，在公安、機(jī)場、高鐵、交通領(lǐng)域都具有廣闊的應(yīng)用前景。
張琪：
一款優(yōu)秀的非人臉信息結(jié)構(gòu)化系統(tǒng)需要對(duì)各個(gè)廠商的視頻設(shè)備和監(jiān)控系統(tǒng)有優(yōu)秀的兼容性和深入的理解。同時(shí)也需要優(yōu)秀的對(duì)視頻進(jìn)行結(jié)構(gòu)化處理的能力。
在光照條件差，視頻設(shè)備的清晰度不夠，目標(biāo)距離較遠(yuǎn)，成像較小，以及在廣域監(jiān)控的場景下。非人臉結(jié)構(gòu)化系統(tǒng)都比人臉系統(tǒng)有更好的應(yīng)用。人臉系統(tǒng)在這些較差的條件下很難獲取到有質(zhì)量的人臉信息。
市面上目前只有浪潮商用機(jī)器在專注于這一場景提供解決方案。
2.交通大腦車輛調(diào)度和紅綠燈管控，要解決哪些核心難題？
張琪：
智能交通在車輛調(diào)度和紅綠燈管控方面需要解決的高峰實(shí)時(shí)調(diào)控的問題。如何通過實(shí)時(shí)路況實(shí)時(shí)調(diào)整，解決高峰擁堵的問題。方案通過檢測每天各個(gè)時(shí)段的車輛通行密度，進(jìn)而繪制整個(gè)城市的車輛通行密度圖。然后制定新的紅綠燈變化規(guī)則，調(diào)節(jié)擁堵路段的通行密度，達(dá)到調(diào)節(jié)擁堵的效果。
謝鵬宇：
系統(tǒng)做車輛調(diào)度之前有個(gè)比較大的難題，就是對(duì)異常事件的檢測。除了識(shí)別人、車、物以外，還必須要感知事件，平時(shí)車流都是正常通行，這樣的數(shù)據(jù)是大量的，而異常數(shù)據(jù)一般是稀少的，所以基于時(shí)空異常的檢測，比如車與人相撞、車與車相撞、車與路相撞，人與人相撞等少見問題，其實(shí)挺難訓(xùn)練出一個(gè)高識(shí)別率的模型的。
3.上述場景中，有哪些優(yōu)質(zhì)的定制化深度學(xué)習(xí)開源框架，可以讓數(shù)據(jù)訓(xùn)練和建模更加便捷？
曹國勝：
選擇深度學(xué)習(xí)開源框架？可參考下面這些考量標(biāo)準(zhǔn)：
1、與現(xiàn)有編程平臺(tái)、技能整合的難易程度
2、和相關(guān)機(jī)器學(xué)習(xí)、數(shù)據(jù)處理生態(tài)整合的緊密程度
3、通過此平臺(tái)做深度學(xué)習(xí)之外，還能做什么？
4、對(duì)數(shù)據(jù)量、硬件的要求和支持
5、深度學(xué)習(xí)平臺(tái)的成熟程度
機(jī)器學(xué)習(xí)平臺(tái)在功能側(cè)重上是不一樣的，把他們分成四大類：
1. 第一類是以 Caffe、Pytorch、MXNet、CNTK 為主的深度學(xué)習(xí)功能性平臺(tái)。這類平臺(tái)提供了非常完備的基本模塊，可以讓開發(fā)人員快速創(chuàng)建深度神經(jīng)網(wǎng)絡(luò)模型并且開始訓(xùn)練，可以解決現(xiàn)今深度學(xué)習(xí)中的大多數(shù)問題。但是這些模塊很少將底層運(yùn)算功能直接暴露給用戶。
2. 第二類是以 Keras 為主的深度學(xué)習(xí)抽象化平臺(tái)。Keras 本身并不具有底層運(yùn)算協(xié)調(diào)的能力，Keras 依托于 TensorFlow 或者 Theano 進(jìn)行底層運(yùn)算，而 Keras 自身提供神經(jīng)網(wǎng)絡(luò)模塊抽象化和訓(xùn)練中的流程優(yōu)化?？梢宰層脩粝硎芸焖俳５耐瑫r(shí)，具有很方便的二次開發(fā)能力，加入自身喜歡的模塊。
3. 第三類是 TensorFlow。TensorFlow 吸取了已有平臺(tái)的長處，既能讓用戶觸碰底層數(shù)據(jù)，又具有現(xiàn)成的神經(jīng)網(wǎng)絡(luò)模塊，可以讓用戶非?？焖俚膶?shí)現(xiàn)建模。TensorFlow 是非常優(yōu)秀的跨界平臺(tái)。
4. 第四類是 Theano，Theano 是深度學(xué)習(xí)界最早的平臺(tái)軟件，專注底層基本的運(yùn)算。
單純就安防圖像而言，Caffe目測是最好的選擇。
張琪：
通常大家都使用Tensorflow，Caffe，Pytorch這些深度學(xué)習(xí)開源框架，浪潮商用機(jī)器針對(duì)市場上主流的框架進(jìn)行優(yōu)化，使之更適用于安防視頻分析場景，這款框架叫Power AI，浪潮商用機(jī)器也特別推出了兩個(gè)免費(fèi)的功能模塊：LMS(Large module support)深度學(xué)習(xí)大模型支持：用于解決超大模型訓(xùn)練的問題，比如高清衛(wèi)星圖片等；DDL（Distributed Deep Learning）分布式深度學(xué)習(xí)模塊：通過更優(yōu)化的算法引擎和預(yù)設(shè)的場景算法去提高訓(xùn)練效率。
4. 為了讓系統(tǒng)適配更多的行業(yè)場景，為了給更多第三方開發(fā)者提供AI開發(fā)平臺(tái)，AI安防行業(yè)需要一個(gè)什么樣的開放平臺(tái)，并能提升服務(wù)器處理的視頻流路數(shù)？
張琪：
AI安防需要能廣泛兼容各種視頻設(shè)備和視頻格式的平臺(tái)。以達(dá)到充分利舊，保護(hù)投資和最大化場景應(yīng)用的效果。浪潮商用機(jī)器的創(chuàng)新應(yīng)用優(yōu)選平臺(tái)不但可以處理200路視頻影像，更重要的是可以兼容目前客戶購買的各種類型的監(jiān)控設(shè)備。
陳明：
?？底罱岢龅腁I開放平臺(tái)重點(diǎn)談到了這么三點(diǎn)：一是它能夠基于很少量數(shù)據(jù)，快速生成滿足場景化需求的AI算法；第二是算法訓(xùn)練、編譯、優(yōu)化全部自動(dòng)實(shí)現(xiàn)，對(duì)零算法基礎(chǔ)的客戶提供一站式服務(wù)；最后它基于?？低暤挠布A(chǔ)，開放了具有強(qiáng)大感知能力的智能產(chǎn)品。
這三個(gè)基本條件在任何一個(gè)視覺行業(yè)都是通用的。
曹國盛：
換個(gè)角度講，對(duì)于很多大公司來說，開放平臺(tái)是沒有辦法的辦法，開放就意味著損失，別人從哪個(gè)角度都可以隨意切入進(jìn)來；如果不開放，想走數(shù)據(jù)運(yùn)營的話，就意味著沒有更多人參與，自己一家是無法搞定的。雙刃劍。
趙非明：
開放平臺(tái)還有種模式，以華為為例，他們做安防的思路比較簡單，生態(tài)合作、分層解耦，通過上層的影響力，提供一整套的解決方案，自己能夠提供的就自己做，自己做不了就推薦合作伙伴去做。
這種打法能在很短時(shí)間內(nèi)威脅到?？档暮诵睦?。分層解耦的提出，就意味著系統(tǒng)不需要統(tǒng)一，用戶在每一層都可以選擇最好的廠商，然后做開放性的接口開發(fā)，誰都可以參與項(xiàng)目競爭。
高度成熟的市場一定是用戶導(dǎo)向的，一定是越來越開放。
未來的行業(yè)格局，一定是分層的，各個(gè)層面都有專業(yè)的公司，各個(gè)細(xì)分領(lǐng)域會(huì)出現(xiàn)巨頭，但不會(huì)出現(xiàn)類似?？颠@樣的安防全產(chǎn)業(yè)鏈巨頭。
1.安防場景中需要處理大量圖像，而圖像占極大的內(nèi)存帶寬，嚴(yán)重阻礙了信息傳輸，如何通過新一代的信息傳輸技術(shù)降低帶寬延遲，提高數(shù)據(jù)處理效率？
張琪：
浪潮商用機(jī)器的服務(wù)器產(chǎn)品中，OpenPOWER平臺(tái)支持PCIE4.0以及NVLINK2.0，相對(duì)于X86平臺(tái)擁有數(shù)倍的帶寬以及更低的延時(shí)。在處理多路并發(fā)視頻信息和及時(shí)分析上擁有更好的性能表現(xiàn)。
曹國盛：
一般來說，GPU是專為并行計(jì)算而設(shè)計(jì)的專用協(xié)處理器，通常其內(nèi)部都集成了數(shù)千個(gè)高速運(yùn)算核心。由于GPU通常都可以直接搭配高帶寬存儲(chǔ)器協(xié)同工作，因此比使用一般RAM的CPU運(yùn)算速度快出一個(gè)數(shù)量級(jí)。
目前雖然一些企業(yè)和機(jī)構(gòu)的數(shù)據(jù)庫已經(jīng)使用了GPU，但普遍存在一個(gè)設(shè)計(jì)缺陷：其數(shù)據(jù)庫管理方案都是將數(shù)據(jù)庫存儲(chǔ)在CPU一側(cè)，當(dāng)接到用戶的數(shù)據(jù)請求時(shí)，將數(shù)據(jù)搬移到GPU一側(cè)進(jìn)行處理，然后再把處理結(jié)果移回至CPU進(jìn)行存儲(chǔ)。也就是說，GPU并非真正的系統(tǒng)核心。這種機(jī)制決定了即使通過GPU加快數(shù)據(jù)處理速度，但把處理結(jié)果搬回CPU的過程仍然浪費(fèi)了大量時(shí)間。
如果沒有像傳統(tǒng)系統(tǒng)那樣將數(shù)據(jù)全部存儲(chǔ)在CPU一側(cè)，而是將GPU作為真正的核心，利用高速緩存機(jī)制將盡量多的數(shù)據(jù)直接存儲(chǔ)在多內(nèi)核協(xié)同工作的GPU一側(cè)，這樣做的結(jié)果就可避免數(shù)據(jù)搬移過程中耗費(fèi)的時(shí)間，提升了運(yùn)算效率。
雖然已有相應(yīng)的解決方案去加快GPU與CPU之間的信息流通，但仍舊存在延時(shí)等問題。
目前比較前沿的加速CPU與GPU信息交方案是IBM與NVIDIA聯(lián)合研制的NVlink信息交換通道。樓上浪潮商用機(jī)器的張琪大牛也談到過NVlink，我從使用者角度再來談?wù)凬Vlink。
GPU和CPU間的數(shù)據(jù)傳輸速度都是一項(xiàng)技術(shù)瓶頸，因?yàn)镚PU的顯存能夠快速而少量的讀寫數(shù)據(jù)，而CPU使用內(nèi)存讀寫則大量而慢速，因此，CPU的傳輸帶寬大于GPU。NVlink通過調(diào)整相應(yīng)架構(gòu)，使得GPU和CPU間的傳輸速度獲得巨大的提升。
其實(shí)IBM早在幾年前便注意到了這種趨勢，隨后它們與NVIDIA合作，去加快新數(shù)據(jù)中心工作負(fù)載的處理速度。經(jīng)過四年的研發(fā)，POWER8服務(wù)器聯(lián)合了NVIDIA的Tesla P100 GPU和NVlink互聯(lián)技術(shù)，實(shí)現(xiàn)了更高的數(shù)據(jù)性能分析和深度學(xué)習(xí)能力提升。早期IBM和NVIDIA技術(shù)如此緊密的結(jié)合使得數(shù)據(jù)流動(dòng)速度比使用PCIE快了5倍。
NVlink除了可實(shí)現(xiàn)GPU-CPU節(jié)點(diǎn)內(nèi)部的高速互聯(lián)，同時(shí)還能在GPU-GPU甚至CPU-CPU之間形成高速互聯(lián)。
如果服務(wù)計(jì)算量大的客戶，一般采用的是GPU集群，這個(gè)時(shí)候集群中GPU與GPU之間的高速互聯(lián)就非常關(guān)鍵。當(dāng)然，數(shù)據(jù)庫也并非完全在GPU中處理，也有一小部分會(huì)放在CPU中，具體會(huì)根據(jù)客戶的成本以及數(shù)據(jù)量等問題來靈活安排。
為了讓GPU集群以及CPU-GPU之間通信順暢，近幾年，在技術(shù)合作上，以IBM和浪潮商用機(jī)器為代表的Power系列的產(chǎn)品會(huì)為客戶的GPU數(shù)據(jù)庫提供GPU-GPU以及GPU-CPU的NVlink通道機(jī)器Minsky。在市場方面，Power會(huì)向客戶銀行推廣包含GPU數(shù)據(jù)庫的一體機(jī)。
這類客戶分兩種，一種是對(duì)方只要打包好的、直接能夠使用的產(chǎn)品，他們只需知道這個(gè)引擎如何使用即可，另外一種客戶則要是想要自己買機(jī)器、做數(shù)據(jù)庫、做算法，自己搭建人工智能引擎。
過去IBM和現(xiàn)在的浪潮商用機(jī)器主要服務(wù)于前者，以一體機(jī)的形態(tài)把相關(guān)的人工智能技術(shù)以及GPU數(shù)據(jù)庫進(jìn)行整合，從而做成企業(yè)級(jí)直接使用的、沒有很多指令集、直接連接的產(chǎn)品。
2. 服務(wù)器聯(lián)動(dòng)多路前端智能攝像機(jī)，需要不斷提取大量的人車特征，并傳輸至后臺(tái)進(jìn)行結(jié)構(gòu)化分析和對(duì)象識(shí)別，后方的服務(wù)器如何保證在極短的時(shí)間內(nèi)對(duì)高并發(fā)的各類算法和智能分析作出準(zhǔn)確回應(yīng)？
張琪：
主要依靠處理器的多核多線程的高并發(fā)性，以及處理器和GPU的高帶寬性。發(fā)揮強(qiáng)大的算力和高吞吐能力去運(yùn)行算法模型，處理海量數(shù)據(jù)。雷鋒網(wǎng)雷鋒網(wǎng)
雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。
