访谈

Andrew Nassar,IC Realtime 首席技术官——专访系列

Antoine Tardif
将 Unite.AI 添加到您在 Google 上的首选来源
Andrew Nassar, CTO of IC Realtime, against a light gray background.
要点Bunker在本地NVIDIA Jetson网关上运行核心AI分析,以减少对云的依赖并加快警报速度。
查看更多
  • Bunker在本地NVIDIA Jetson网关上运行核心AI分析,以减少对云的依赖并加快警报速度。
  • Nassar拒绝构建生物特征身份识别功能,因为监控应当描述事件而非对人物进行画像。
  • 边缘AI并非隐私政策,因为云服务仍处理远程访问和视频历史记录。

Andrew Nassar是 IC Realtime 的首席技术官,曾协助公司从模拟摄像机转向数字录像、远程监控和人工智能辅助视频分析。凭借在监控行业超过 20 年的经验,他致力于将计算机视觉和边缘计算领域的进步转化为实用工具,帮助人们了解事件、查找录像并改进安防运营。

IC Realtime为住宅和商业环境设计视频监控系统及软件。其 Bunker 平台通过一款专用的 NVIDIA Jetson 网关,为兼容的摄像机系统添加人工智能分析功能,支持情境化警报和自然语言视频搜索。该平台将本地分析与云连接服务相结合,提供远程访问和视频历史记录。

您曾协助带领 IC Realtime 经历了从模拟摄像机到数字录像、远程监控,再到如今人工智能的转变。是什么让您确信人工智能能够从根本上改变监控行业?又有哪些进步让复杂的视频分析得以在边缘端实际应用?

多年来,我们一直在摄像机中应用机器学习和计算机视觉。当系统能够帮助人们了解事件并找到相关录像,而不只是产生更多需要查看的视频时,这项技术的价值才大幅提升。房主想知道哪些情况值得关注;企业则希望无需花费数小时搜索,就能找到某起事件。

Bunker 将这种方法带到部署在现场的专用 NVIDIA Jetson 网关上。将核心分析移至更靠近摄像机的位置,可以减少将每项分析任务都发送到云端的依赖,并提高响应速度。实际的进步在于将本地计算与软件结合起来,把视频转化为情境化警报和可搜索的事件。

我的衡量标准始终是经过验证的价值。这项技术必须能解决客户实际使用环境中的真实问题。一场出色的演示,只是这一过程的开端。

以 Bunker 为例,能否请您介绍一下,从摄像机拍下事件到用户收到警报,期间会发生什么?哪些人工智能功能在本地运行,哪些仍需要云端?又有哪些数据会离开现场?

概括来说,兼容的摄像机将视频发送至 Bunker Gateway,核心人工智能分析则在部署于现场的该网关上进行。平台会将检测到的活动与视频事件关联起来,并可发送包含快照和通俗文字说明的情境化警报。随后,用户可以在应用中查看视频。

Bunker 采用混合架构。云连接支持远程访问、订阅服务和视频历史记录,因此将该平台称为完全不依赖云端,或声称没有视频离开现场,都是不准确的。关键在于数据离开现场时如何受到保护。所有数据在传输过程中都会加密,包括实时视频;从网关到观看者的屏幕,视频始终处于加密状态。中间的基础设施只负责转发,无法查看视频。每个网关都使用自己的证书进行身份验证,不会共用凭证;存储在云端的录像也经过加密。

客户应该清楚了解这一数据传输流程,包括哪些功能需要联网,以及网络连接中断时会发生什么。

安防摄像机需要在雨天、黑暗、眩光以及不断变化的环境中运行。您遇到过最棘手的现实故障是什么?您如何衡量改进是否减少了误报,同时没有增加漏报事件的情况?

我在这个行业已经超过 20 年,摄像机技术取得了巨大进步,尤其是在弱光和恶劣条件下的表现。如今,夜间和噪点较多的图像已经几乎与白天一样清晰。即便如此,雨、眩光、雾和雪仍可能降低人工智能模型的准确性。更好的传感器并不能消除这些变量。

因此,我们选择了一种动态方案,让系统能够适应不断变化的环境和一天中的不同时段,而不是依赖单一的固定配置。在过去两年的开发过程中,我们投入了数千小时,在真实场景的安装环境中进行测试,而不仅仅是在工作台上测试摄像机;我们也根据这些实际部署带来的经验来构建系统。

我不会仅凭通知数量减少就判断改进是否有效。关键是,它能否消除无关警报,同时仍能捕捉重要事件。只有在重要情况发生时系统仍然有用,减少干扰才有价值。

检测到有人或车辆,与判断其行为是否令人担忧并不是一回事。您如何定义异常,如何根据不同地点调整这一界定,又如何避免系统将无害活动视为威胁?

仅仅检测到一个物体,并不能说明是否存在问题。前门入口处的送货活动与限制区域内的活动,可能涉及同一类物体,却需要截然不同的应对方式。首先应考虑客户的使用场景,以及具体场所的实际情况。

我会区分值得复核的事件与“某人构成威胁”这一结论。系统应帮助用户了解观察到了什么、为何会提示该事件,并让用户能够查看相关原始录像。它不应引导用户把每一项陌生活动都视为不当行为的证据。

随着这些系统的能力不断增强,难点在于如何让上下文发挥作用,同时不夸大 AI 所掌握的信息。人的判断依然至关重要,尤其是在警报可能引发重大行动时。

自然语言搜索有望取代数小时的人工录像审查。你们的系统如何将用户的描述与正确的视频片段对应起来?又如何测试系统是否漏掉事件、匹配错误,或生成录像内容并不支持的 AI 描述?

我们的理念是让用户能够用日常语言搜索视频。系统检测到活动时,Bunker 会为相关视频事件生成带时间戳的描述。用户的问题会用于搜索这些已建立索引的记录,并找到相关录像。这样,用户就能从相关片段着手查看,而不必手动拖动进度条浏览整段录像。

核实搜索结果时,应以录像为依据。生成的描述有助于定位内容,但其权威性不应高于摄像头实际拍摄到的画面。

测试时,我会分别考察三个问题:系统是否漏掉了相关事件?是否检索到了与请求不符的内容?描述中是否包含录像无法证实的信息?这些属于不同的失效模式。仅仅评估搜索是否返回了一个看似合理的答案是不够的。

NVIDIA Jetson 硬件会在模型规模、准确度、功耗以及可分析的摄像头视频流数量方面带来哪些取舍?使用较旧的第三方摄像头、达到处理能力上限或失去互联网连接时,你们如何确保性能依然可靠?

设计上的关键问题,是如何利用物业现场可用的资源提供有用的分析。模型复杂度、待处理的视频量和所需响应时间,都必须符合网关的运行限制。因此,仅看支持的视频流数量,并不能全面反映性能表现。

Bunker 的上市计划支持最多 10 路摄像头视频流。客户可以继续使用现有硬件,只要摄像头兼容 ONVIF;但仍需针对每次安装验证兼容性。配置文件、固件、图像质量以及所用功能都会影响兼容性。

我们还需要准确说明系统的韧性。本地处理和云连接服务是系统中的不同部分;即使配备了边缘网关,也不意味着互联网中断时所有功能都能正常运行。更新也是可靠性的一环。每次更新都会先经过签名,并在安装前由网关验证;存在漏洞的旧版本会被拒绝,更新失败时则会自动回滚。一次糟糕的更新不应该导致物业的安防系统离线。

仅靠本地推理并不能回答所有隐私问题。Bunker 会在哪里存储录像、搜索查询和 AI 生成的元数据?这些数据会保留多久,谁有权访问?你们如何改进模型,同时不假定自己可以访问客户的私人录像?

我同意。“边缘 AI”并不能构成完整的隐私政策。客户需要了解自己的数据会流向何处、哪些数据会被保留,以及谁可以访问;这不仅包括视频,也包括搜索查询和生成的描述。

录像及服务所依托的数据库在静态存储时均经过加密。密码经过哈希处理,会话也会过期,因此即使数据库遭到泄露,攻击者也无法获得可用的登录凭据。网关本身同样经过加密,所以设备被盗也不会泄露任何录像或凭据。Bunker 上市时提供的方案包括:Standard 套餐提供 60 天云端视频历史记录,Premium 套餐提供 365 天,此外还有 Video Vault,供客户保存自行选择的片段。

我们不会用客户的录像训练模型,也不会为摄像头拍摄到的任何人创建生物识别模板。客户使用我们的产品,并不代表授权我们重复使用其私人视频。

围绕 Flock Safety 的争议凸显了有关谁能搜索监控数据、访问权限是否得到妥善撤销的问题。尽管你们的部署模式有所不同,但哪些经验教训适用于你们的系统?哪些保障措施应当是强制要求,而非可选项?

针对 Flock 的反弹,真正争议的并不是 AI,而是谁能进入系统搜索数据。许多审查焦点都落在账户安全上,其中包括立法者质疑为何没有强制启用多因素身份验证。如果窃取一个密码就足以搜索监控系统,那么模型在哪里运行也就无关紧要了。

在 Bunker 系统中,只有系统所有者授权的用户才能访问该系统的数据。我们不会与第三方共享数据,不会用客户数据训练模型,也不会创建生物识别模板。

安全防护必须从设备端开始,并贯穿至账户层面。每台 Bunker 网关出厂时都拥有独立的加密身份,因此无需更改默认密码,攻击者也无从查找这类密码。每次启动时都会验证固件,更新在安装前都会经过签名和检查,登录则受到多因素身份验证的保护。此外,不再需要访问权限时,应及时撤销;敏感操作也应留下可供审计的记录。信任取决于能否说明谁做了什么。

摄像头拍摄到的人,往往并不是购买摄像头的人。AI 监控应如何兼顾邻居、员工、访客和路人的隐私?有没有哪些功能是你们会有意拒绝开发的?

安装系统必须有明确的目的,而这一目的应决定拍摄哪些内容、分析哪些信息,以及谁可以查看结果。想要保护入口安全,并不意味着邻近物业上的所有活动都应被纳入可搜索的记录。

我们划定的一条界线是身份识别。Bunker 不会创建生物特征模板,也不会将身份与检测到的任何人关联起来。它描述发生了什么,而不是某个人是谁。这样一来,系统就能聚焦于事件,而不是追踪或分析个人特征。

功能更强并不意味着价值必然更高。如果某项功能无法解决明确的客户问题,却会造成严重的信任隐患,那就有理由不去开发它。

展望未来三到五年,你认为边缘 AI 除了当下的检测和搜索之外,还能解锁哪些有意义的能力?在它值得广泛应用之前,必须解决哪些技术或信任方面的问题?

坦白说,AI 的未来目前仍未可知,而且发展速度超过了我职业生涯中见过的任何技术。我们几乎每天都在跟进这些变化,并探索它们能在哪些方面真正惠及平台用户。

对我们而言,最重要的方向是上下文、理解能力,以及能够持续学习和改进的系统。它们的价值在于帮助人们理解正在发展的状况,并判断哪些事情需要关注,而不是让人们自行拼凑一连串彼此独立的通知。

技术上的挑战,是让系统在不断变化的环境中可靠运行,同时不超出本地硬件的能力限制。信任方面的挑战,则是让人们容易理解系统的局限和数据处理方式。人们需要知道系统观察到了什么、推断出了什么,以及何时需要由人来作出判断。

感谢这次精彩的访谈。希望了解专业安防摄像机、录像机和 AI 视频监控系统的读者,请访问 IC Realtime。

安托万是一位富有远见的领导者,也是 Unite.AI 的创始合伙人。他怀着坚定的热情,致力于塑造和推动人工智能与机器人技术的未来。作为一名多次创业的企业家,他相信人工智能将像电力一样深刻地改变社会,并经常热情地谈论颠覆性技术和通用人工智能(AGI)的潜力。

作为一名未来学家,他致力于探索这些创新将如何塑造我们的世界。此外,他还是 Securities.io 的创始人。该平台专注于投资正在重新定义未来、重塑整个行业的前沿技术。