算法商城，到底是不是伪命题？( 二 ) 何炜|2021|吴军|区块链|杨硕|征

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