社交网络上流传着一个关于机器学习和AI区别的段子，大致是说“如果使用Python写的，那可能是机器学习;如果使用PPT写的，那可能是AI……”

　　没错，随着智能时代的来临，一方面，更多的互联网、传统IT厂商进入到了安防行业，整个安防圈的PPT水平上升了一大截;另一方面，算法更不断精进，各种超高智能指标及概念随之蜂拥而来：“300路甚至500路人脸检测摄像机”、“智能摄像机1拖N”、“软件定义摄像机”等等。

　　然鹅，安防前端的算法能力和芯片算力

　　真的是越高越好吗？

　　在AI时代

　　究竟又是什么定义了摄像机？

　　我们不妨来看看AI摄像机落地最早、最多的智能交通卡口类前端，这类摄像机都是固定场景安装，一旦场景明确，基本摄像机选型的焦距、分辨率、补光、智能诉求也就随之明确，在摄像机安装时再根据实际场景做工程适配，这才是智能前端落地的根本。

　　300路人脸检测摄像机

　　实用性如何

　　例如上图场景，试问

　　将几百路人脸抓拍摄像机部署在如此密度人群场景

　　真的合适吗？

　　如果真有这样的现象，那么请务必理智：以图中案例来说，换个安装场景，把人脸摄像机部署到安检通道或重要出入口，无论是抓拍率、比对成功率，都更适合布控抓捕。而在这样的场景中，人流密度统计的智能恐怕比人脸抓拍更实用。

　　算力赋能

　　挑战有哪些

　　再者，因为算力有富余，业内有声音提出将AI摄像机的算力赋能给周边N个普通摄像机做利旧升级的概念。这种设想的本意非常好，但这背后又将面临哪些挑战?

　　1

　　原有普通IPC能否满足AI场景化工程要求？

　　2

　　除算力之外，AI摄像机配套内存够不够？

　　3

　　对N个普通摄像机的解码以及N+1个摄像机的编码能力是否足够？

　　4

　　该摄像机的上行带宽及缓存又能否满足N+1个IPC智能处理的前端数据上行需求？

　　完成了这些评估后，也许我们会发现，这已经远远超出了一个摄像机的能力诉求。

　　软件定义摄像机?

　　摄像机不同于手机、移动笔记本电脑，并不存在安装完一个位置之后更换场景去使用的现象，而相同资源下，不同软件算法的在线选择、加载、升级，则只是智能时代前端摄像机的基本功能。

　　由此可见，软件定义摄像机的概念显然不够全面，但不可否认它是新一代人工智能摄像机的基本要求，而对安防行业来说，工程场景及硬件形态需求千差万别，客户更需要的是场景定义摄像机。

　　场景定义摄像机

　　宇视函谷多目摄像机可搭配球机或AR实景指挥系统做到全方位的、连续的、整体的场景实时再现，支持更大视野的全局把控。

　　场景定义端解决方案

　　宇视全电警方案通过卡口相机、鱼眼相机及电警相机实现视频监控全覆盖，消除路口盲区，并完成机动车、非机动车及行人等全部交通参与对象的违法行为全过程抓拍。

   摄像机