文章图片

被改变的还有园区的工作节奏 ， 园区的巡逻、监管和应急常常是一件繁杂的工作 ， 占据了园区过半的人力资源 。 但在金隅智造工场里 ， 智能摄像机每时每刻都在守护园区内的人员和车辆 ， 并将数据进行结构化处理 ， 一旦出现紧急情况可以自动触发告知相关人员 。 和传统的园区运营相比 ， 金隅智造工场节省了30%的人员时间、管理效率提升了40% ， 极大地提升了应急能力 。
从家具工厂到智慧园区的转变 ， 离不开旷视对金隅智造工场的系统性改造 ， 确切来说主要解决了两个方面的问题：
一个是覆盖云边端的AIoT基础平台 ， 为园区装上智慧大脑和可视化的操作平台 ， 打通了园区内的智能硬件和业务系统 ， 当前系统整合度近95% ， 做到一张大屏统管整个园区 。 困扰大多数智慧园区的信息孤岛 ， 也就迎刃而解 。
另一个是渗透进每一个场景中的自研算法 ， 基于旷视自主打造的AI生产力平台Brain++ ， 金隅智造工场融合了30种左右的高性能自研算法模型 ， 能够对门禁、访客、消防、停车等系统进行精准感知、智能调度和大数据分析 。
03 旷视的第三种解法 为何旷视走出了智慧园区的普遍误区？
在回答这个问题前 ， 先来梳理下许多智慧园区的错误根源 ， 即只是解决了“园区遇到过什么”这样的问题 ， 无法实时洞察并应对园区内正在发生的状况 ， 结果注定是“智慧园区”被诟病不智慧、不务实、不实用 。
进一步深挖的话 ， 智慧园区的所有误区都是路线上的失误：
很多智慧园区采用了自上而下的思路 ， 即先以“园区大脑”的形式打通园区的每一个节点 ， 然后逐步进行子系统的开发和设备的采购 ， 常见于新园区的规划 。 然而这么做的前提是后续进场的开发者必须匹配“大脑”的协议和标准 ， 无疑是一种理想范儿的开发理念 ， 在数据打通上存在种种不确定性 。
也有一些智慧园区汲取了教训 ， 推行的是自下而上的策略 ， 为了消除数据烟囱 ， 试图先解决各个子系统的智能化 ， 再循序进行数据的汇总统一 。 只是现阶段的很多企业只有单点技术服务的能力 ， 无法将场景数据、业务、技术串成一条线 ， 自下而上的打通终究只是少数企业、少数园区做成的事 。

文章图片

旷视和金隅的合作让我们看到了第三种解法 ， 可以总结为深度赋能、生态协作的路线 。 对比巨头们动用一切资源狂轰乱炸的战术 ， 旷视是一家纯粹的AI技术型企业 ， 想要抓住产业智能化转型的红利 ， 必须要深入下沉到产业当中 ， 比如将自家的算法嵌入到摄像头等智能设备中 ， 结合自家的技术解决方案提供数据运营等能力支撑 。
就像在金隅智造工场里 ， 比起其他智慧园区少了很多“花里胡哨”的作秀 ， 精力和价值集中体现在技术赋能中 。 一面将自家的算法嵌入到数十种智能设备 ， 提供后端整体解决方案做全栈服务；一面依托自研的Brain++ ， 根据业务需求快速定制算法并进行训练和部署 。 然后以肉眼可见的成果 ， 打动面临多种选择的客户 。
可以给出的解释是 ， 人工智能的杀伤力绝不在于秀技术 ， 而是让技术在特定场景里深耕 ， 将客户难以理解的技术问题转变为运营问题 。 旷视的聪明恰在于此 ， 一组组运营数据的提升“征服”了金隅 ， 并找到了在其他园区中复制落地的可能 。
04 降本增效的老话题 旷视抓住的市场切入口其实并不复杂 。