根据市场预估，至2026年全球AI软硬件及服务支出将超过3000亿美元，2022～2026年的年复合增长率（CAGR）达26.5%;而结合AI技术的安防应用市场规模也将增加超过100亿美元，CAGR达18.64%，且增长速度有愈来愈快的趋势。
因此，安防厂商们纷纷争先恐后地投入AI的怀抱，尤其以影像为主的监控厂商，早已将AI技术运用于监控影像针对特定对象的侦测、搜寻、追踪，并可自动触发、联动警报等相关系统设备，大幅降低人力、物力，并提升安全管理的效能。
AI虽好用，但支持其运算的硬件设备和耗能负载皆颇高，因此在追求精准度的同时，如何减轻负载、让AI更「轻盈」、速度更快，又能解决企业普遍欠缺AI专业人才的问题、降低所需付出的成本，成为业界共同努力的方向。在今年Secutech展场上，a&s观察到AI在安防产业发展的3大趋势：
一、从云端到边缘
近年来AI运算功能逐渐由后端／云端往边缘（Edge端）发展的态势愈来愈明显，主要的好处在于可缩短时间、降低风险及耗能，当然还有最重要的——节省成本。例如，IT大厂Intel（英特尔）提出的Edge AI解决方案，强调只需要一般的PC、Notebook或x86的工业计算机，透过OpenVINO开放式平台，即可运用该平台上200多种算法（包括TensorFlow、CaffeZ…等）自行开发或采用第三方伙伴已预先训练好的AI模型，轻松将终端设备转变成Video AI Box、具AI功能的NVR或Edge端的AI Server，进而解决各种领域所面临的问题，让AI系统成本不再高昂。
安防厂商推出的Edge AI解决方案也相当多元，尤其监控摄像机厂商已纷纷将AI视频的辨识、分析、搜寻、追踪等功能做在前端。例如：晶睿（Vivotek）通过前端的对象特征撷取运算（Edge-centric object extraction），不需在后端安装高效能显卡执行分析运算，有效降低服务器的运算资源和建造成本。利凌（LILIN）则早已看准Edge AI将成为主流，致力于边缘运算AI摄像机结合5G与云端的应用，并推出最新的AI废弃物侦测（Trash Detection）、球类追踪（Ball Tracking）、性别判断（Gender Detection）等功能，其视频管理软件（VMS）更是专为边缘运算AI摄像机整合设计。而软件厂商富萱（AiUnion）所开发的AI视频辨识边缘运算，则是融合了AI深度学习的影像分类、对象侦测和影像分割（Image Segmentation）技术，建立如智慧工业、科技执法、安防监控等的通用模型，便于用户直接导入使用，若有特定应用再视其需求量身订制。
二、从「沉重」到「轻快」
一般来说，AI在辨识视频时会将相似的影像（如背景）视为独立图像而重新进行辨识，因此运算量大;当有大型场域要做AI视频辨识时，支持其运算的硬设备数量及成本必然昂贵，相对耗能也高，并不符合企业持续性发展（ESG）的原则。因此，已有不少厂商想方设法，希望能为现行的AI运作模式「做减法」，令其挥别沉重的负担，展现轻盈的体态、迈出轻快的脚步。
例如，电子大厂台达（DELTA）就推出了DIVA（DNN Inference OS for Video Analysis）智能加速器，利用一连串相似影像的特性加快AI视频分析的速度，可应用在静态或动态摄像机上。只要在任何影像应用的AI模型上加上一层DIVA SDK软件，就可加速2～6倍（视场域硬件、视频分辨率、AI模型不同）且不损失任何精准度，进而降低设备数量及能耗，达到节省成本目的。
新创公司耐思尼（Nexuni）也提出利用低功耗、小型化、高度定制化的嵌入式系统（如Embedded Linux、Nvidia Jetson Platform…等），结合可降级至KB储存等级的机器学习模型TinyML成为Edge AI系统架构——可在资源有限的端点硬件规格上，进行视频（如人脸）和语音的AI运算，并保持与Server级运算相同的准确率。根据实测，TinyML可将Server等级所需的16GB，降至边缘嵌入式系统的320KB，等于将传统机器学习模型缩小了5万倍，更便于开发可应用于各种规格系统、易于普及的自动化解决方案，提升管理效率。
三、从专业到普及
近来ChatGPT让AI在全球的关注热度居高不下，主要在于它让大家使用AI这件事变得容易起来。同样地，为了让AI能够加速普及市场应用，业界也努力透过简化开发技术与设计流程，希望即使不具备AI专业知识的人，也能轻易打造满足本身业务需求且有效的AI训练模型。例如，Intel（英特尔）Geti计算机视觉平台标榜可让任何人透过简单的数据上传、标注、模型训练以及再训练界面，配合OpenVINO工具组进行优化，就可轻易部署高质量的计算机视觉AI，藉以推动更多应用创新、提高企业整体效能。
有鉴于一般AI项目导入流程：数据预处理→选定算法→程序开发AI模型→模型验证，不仅需要AI或IT专业人员，还需反复作业、动辄耗时数月;杰伦智能（Profet AI）发展的AutoML Platfrom（No-Code AI平台），则是将「选定算法→程序开发AI模型」两步骤利用机器学习技术自动、快速地建立AI模型，而且可将模型验证优化。如此一来，企业各部门（如人资、研发、生产、IT…等）人员都能很方便地应用AI解决所属业务领域的各种问题，例如，将AutoML Platfrom应用在工业生产上，能够优化生产制造过程、提升整体良率与效能;应用在网络安全上，也可协助预测安全程度，防止外泄风险邮件。
（本文编译自安防知识网台湾网站）