微妙的平衡：通过边缘人工智能保护隐私，同时确保公共安全

在现代社会，社区面临着多种公共安全威胁：城市化进程加快、犯罪率上升和恐怖主义威胁。在执法资源有限和城市发展的同时，确保公共安全的挑战变得更加困难。技术的进步使得监控设备和摄像头能够让公共场所更加安全——但这往往需要付出代价。

安装基数几乎 600亿个监控摄像头， 中国几乎每两个人就拥有一台摄像头，而在中国以外，监控最严重的城市包括德里、首尔、莫斯科、纽约和伦敦。虽然监控的增加有利于公共安全，但代价是巨大的：个人隐私受到侵犯。许多人珍视自己保持匿名和免受持续监控的权利，而“老大哥”在监视的想法可能会在安全和隐私之间造成冲突，从而导致政策制定者之间的激烈争论。

人工智能技术增强公共安全

最近，摄像头越来越多地融入人工智能，在公共安全中发挥着越来越重要的作用。通过将人工智能集成到摄像头或视频管理系统级别的安全系统中，并结合生成式人工智能，人工智能对于公共安全监控非常有吸引力。

监控系统中最常见的人工智能用例包括 周界防护 和访问控制。这些应用程序利用对象检测、分割、视频元数据和重新识别等人工智能任务来快速准确地识别合法与可疑或异常的人或行为，并实时触发响应。

人工智能监控系统可以提供更细致入微、更复杂的功能。借助人工智能，监控系统可以实时、高精度地检测、识别和响应安全事件。虽然增强安全性和确保公共安全是一大优势，但人工智能确实引发了人们对数据隐私的担忧，一些人担心个人身份信息可能被滥用。在涉及大量数据的情况下，实施强有力的数据保护措施至关重要。

云端人工智能面临隐私挑战

基于云的人工智能解决方案传统上通过利用集中式数据中心提供强大的处理能力，但它们确实为数据隐私带来了一定的漏洞。

当数据存储或处于“静止”状态时，集中存储使云系统成为网络攻击的主要目标。不良行为者可以入侵这些系统，导致严重的数据泄露和潜在的数据暴露。但是，如果数据处理是分散的，并在网络边缘完成，则违规行为仅限于被黑客入侵的特定节点，大规模数据泄露更具挑战性。此外，基于云的数据处理系统必须遵守许多数据隐私法规，这些法规对原始数据的分析方式施加了限制，导致洞察力有限，甚至可能承担法律责任。边缘处理仅存储和传输所需的最少信息，同时仍允许提供深刻的洞察力。

将数据从云端移至设备会产生额外的漏洞。通过在传输过程中拦截数据，黑客可以泄露敏感信息并破坏系统的安全性。

总体而言，云数据中心是一个单点故障，如果受到影响，可能会影响许多摄像机。

边缘人工智能在隐私和安全之间走钢丝

边缘AI 提供了一个令人信服的解决方案来解决这些挑战，在设备上本地处理数据，而不是将其发送到云端。如果数据是分布式的，每个系统可以采用不同的算法和功能，从隐私的角度来看，这带来了几个优势。

通过在设备上处理数据，边缘 AI 系统最大限度地减少了通过互联网传输敏感信息的需要，大大降低了传输过程中被拦截的风险。通过在本地存储数据，大规模网络攻击的风险也受到限制。如果一台设备受到攻击，攻击范围可以控制在该设备上，而不是整个网络。

最后，边缘 AI 还允许在设备本身上匿名化数据。这简化了维护存储数据本质的过程。然后可以将数据本质存储在边缘设备或云中，而不会暴露 PII。

至关重要的是，边缘人工智能可以设计为只关注特定事件。例如，边缘人工智能可以被编程为识别暴力或可疑行为，而无需连续录制镜头，从而有助于维护公共场所个人的隐私。带宽限制等其他工具可以确保视频文件不会连续发送到云端，从而降低数据泄露的风险并保护个人隐私。

然而，边缘 AI 要成为一种有效的安全工具，就必须既高效又强大，既要保持成本低廉和节能，又要快速处理复杂的算法。AI 硬件（包括 Hailo 的专用 AI 处理器和低功耗、高计算性能芯片）使这成为可能。

边缘人工智能为平衡公共安全与个人隐私的挑战提供了一个有希望的解决方案。通过在本地处理数据并对数据传输和存储施加固有限制，边缘人工智能降低了与基于云的系统相关的风险。随着这些技术的不断发展，边缘人工智能将在创造更安全的公共空间的同时尊重个人保持匿名的权利，这不仅可以增强安全性，还可以建立对旨在保护我们的系统的信任。