Fredrik Nilsson, 副总裁， 美洲， Axis Communications – 访谈系列

Fredrik Nilsson，副总裁， 美洲， Axis Communications，负责公司在北美和南美的业务运营，领导专注于为合作伙伴和终端用户开发和交付基于网络的安全解决方案的团队。作为 Axis 的长期高管，Nilsson 在安全行业从模拟闭路电视向基于 IP 的网络视频转型过程中发挥了重要作用。自 2003 年负责美洲地区以来，他帮助将地区收入从约 $20 百万增长至超过 $1 十亿美元，并支持在美洲地区扩展超过 20 家 Axis Experience Center。1996 年加入 Axis，此前在瑞典担任产品经理和部门经理，随后担任业务发展总监，在 IP 视频早期发展期间帮助建立合作伙伴关系。在此之前，他曾在 ABB 担任产品经理，并目前在 MSAB 以及华盛顿特区的 Swedish-American Chamber of Commerce 董事会任职。

Axis Communications 是一家总部位于瑞典的技术公司，专注于智能物理安全和网络解决方案，包括网络摄像机、视频监控系统、门禁控制、对讲系统、网络音频、雷达以及分析功能。公司成立于 1984 年，总部设在瑞典隆德，拥有约 5,000 名员工，业务遍及 50 多个国家，自 2015 年起成为佳能集团的一部分。该公司于 1996 年推出其自称为全球首款网络摄像机的产品，此后从网络视频扩展到更广泛的连接安全技术组合。其当前产品日益融合边缘分析和人工智能，将视频、音频和传感器数据转化为可操作的洞察，用于安全、安防、运营效率和商业情报。

您的职业生涯跨越了在 ABB 的远程监控、网络附属存储和物联网技术的早期开发，以及在 Axis Communications 从模拟监控向网络视频的转型。这些背景如何塑造了您对当今向 AI 驱动摄像头和智能物理基础设施转变的看法？

我认为向 AI 驱动摄像头的转变是我职业生涯中所参与的演进的下一步——从连接技术和 IP 融合到如今的智能边缘。我的职业生涯始终贯穿着一个共同主题，即帮助客户了解连接技术能够为他们带来什么。ABB 对我而言是一个极好的学习平台。它是一家大型跨国公司，使我有机会环游世界，包括在加拿大度过一年，并与大型企业客户，尤其是电力公用事业公司，合作开展复杂项目。我的角色是新型 IP 连接的远程监控与控制系统的产品经理。在 Axis，我随后参与了新类别的 IP 连接存储设备，并在全球范围内推广连接技术的优势。随后，在 IP 融合的早期阶段，我继续基于这些原则，帮助企业客户理解网络连接视频的价值以及 IP 技术创造的机会。因此，当我审视今天的 AI 驱动摄像头时，我看到的是同一演进的又一步。技术持续变得更强大，但真正的机遇仍在于连接设备、生成有用数据，并帮助客户更好地利用这些数据。

哪些类型的计算机视觉工作负载最适合直接在摄像头上运行，而哪些应用仍然受益于在本地数据中心或云端进行处理？

最适合直接在摄像头上运行的工作负载是那些需要实时决策、低延迟以及高效带宽利用的场景。例如，检测和分类人员或物体、计数、跟踪移动或识别特定事件。借助 Axis Object Analytics 等技术，摄像头能够精准检测人员、车辆、颜色、行进方向等特征。我们还可以通过 Axis Custom Analytics 为摄像头训练针对特定物体或场景的识别模型。随着分析技术的不断提升，更多智能可以在边缘实现。对于许多用例，将分析运行在摄像头上，仅将产生的数据或元数据发送到服务器或云端，有助于提升可扩展性并降低成本。云端和服务器仍然扮演重要角色，尤其是在集中管理、长期存储以及跨大量设备分析元数据等方面。我并不认为这是非此即彼的选择。边缘与云端可以相互补充，各自发挥最擅长的功能。

在边缘部署 AI 需要在模型准确性与处理能力、内存、能耗和散热等限制之间取得平衡。专用芯片的进步如何改变摄像头内实际可实现的功能？

实际上有两个趋势在推动这一点。首先，边缘处理器的 AI 能力正在快速提升。ARTPEC-9，我们内部研发的系统级芯片，其 AI 处理能力是 ARTPEC-8 的三倍，为在摄像头上直接运行复杂模型提供了显著的空间。未来的代际产品将继续提升这种能力。其次，模型的规模和有效性也在提升。这正是我们在过去一年中取得大量进展的领域。我们的研发团队在让更多模型直接在边缘运行方面表现出色，因此在许多场景下，只需使用摄像头采集的数据，而无需将视频发送到其他地方进行处理。一年前，我们大约只有 50% 的需求能够在摄像头内完成。如今，这一比例已接近 90%，我们预计将达到 95% 甚至更高。真正的突破不仅在于更强大的芯片，而在于我们将更强的硬件与更高效的 AI 模型相结合，使得越来越多的智能能够直接在数据生成点发生。这使得监控系统对服务器和云端的 AI 依赖大幅降低。

摄像头正日益被定位为运营传感器，而不仅仅是安全设备。零售、交通、医疗、制造或物流等领域的哪些应用目前正在提供最明确的商业价值？

制造业是一个很好的例子，因为其价值可以直接与运营挂钩。例如，BMW Group 正在将网络摄像头作为其 AI 驱动的质量检测系统的一部分，用于实时捕获车辆的详细图像并识别缺陷。这与摄像头仅仅记录事件的角色截然不同。我们还看到视频在提升运营效率和商业情报方面的应用日益增多。在交通和物流领域，摄像头可以帮助组织了解人员、车辆和货物在设施内的流动情况。在零售业，视频能够提供关于客户行为、空间利用率和人员配置的洞察。共同的主题是，摄像头正在生成可用于改进流程的信息，而不仅仅是记录发生了什么。

将视频与音频分析、雷达、门禁系统和环境传感器相结合，能够产生仅凭视觉数据无法实现的洞察？

能够整合的上下文越多，系统对正在发生的事情的理解就越好。当你结合不同的输入时，可以获得仅凭视频难以甚至不可能得出的洞察。例如，你可以将物体的外观与其运动方式相结合，或在光照或能见度受限时同时使用热成像和可见光信息。雷达可以提供关于物体运动和速度的信息，音频可以识别声音或实现双向通信，环境传感器则能提供关于周围环境的额外上下文。多传感器还可以提升系统或用户对检测结果的信心。技术的组合对于保护关键生活领域，如关键基础设施，极其重要。

我们已经在朝这个方向前进。例如，在 GSX，我们推出了将视觉、热成像、雷达、音频和环境感知相结合的解决方案。目标是整合合适的数据，使组织能够更快、更有依据地做出决策。这在保护关键基础设施等应用中尤为重要，因为多源信息能够提供更完整的现场情况。

边缘处理可以减少需要传输或存储的原始视频量，但具备 AI 功能的摄像头仍然提出重要的隐私和治理问题。组织在设计既有用又不收集超出必要的个人数据的系统时，应遵循哪些原则？

出发点应当是先明确系统实际需要实现的目标，只收集为实现该目标必需的信息。隐私和透明度同样重要。人们希望了解视频被使用的原因以及其信息的处理方式。我们的最新研究显示，人们对视频监控的接受度正在提升，但这种接受并非理所当然。围绕 AI 监控的最大担忧是误报或信息不准确，以及数据的潜在滥用或误处理。这对组织和技术提供商提出了在系统设计之初就将隐私和安全内置的真实责任。边缘处理在此可以发挥作用，因为可以在本地分析信息，仅发送必要的数据，而不是在网络中传输连续的原始视频。

物理基础设施可能会部署多年，而 AI 模型和网络安全威胁却在快速演进。摄像头及其他边缘设备应如何设计，以确保其分析在整个使用寿命期间保持安全、可维护且具备适应性？

这就是我将摄像头视为更广泛的 IT 与运营基础设施的一部分，而非单独的安防设备的原因之一。网络安全必须从设备一开始就内置，包括安全软件、定期更新以及在整个生命周期内的强大网络安全防护。例如，在 Axis，Edge Vault 为保护设备完整性、确保加密密钥安全以及建立信任链提供了基于硬件的基础。它还支持安全启动和签名软件等功能，帮助确保设备上仅运行受信任的软件。

设备还需要一种能够随分析和客户需求变化而适应的架构。开放平台在此非常重要，因为它们允许组织集成新应用和新技术，而无需每次出现变化时都更换整个系统。同时，组织需要对其连接设备进行良好的治理。随着更多视频、传感器和企业系统的融合，网络安全和数据保护必须被视为整体系统设计的一部分，而不是事后添加的内容。

Axis 支持开放的应用生态系统，允许第三方开发者在其设备上构建和部署专用分析。随着组织希望在大规模摄像头群组上运行自有模型，开放平台和互操作性的重要性将会如何？

我认为这将极其重要。客户不希望被锁定在某一种技术或某一种做法上，尤其是在 AI 与分析快速演进的情况下。开放平台使摄像头更容易与其他系统集成，引入专用应用，并在大规模部署中实现扩展。它还为客户在需求变化时提供了更大的灵活性。通过消除供应商锁定并简化集成，开放且互操作的生态系统使得在适应业务需求变化的同时，更容易扩展智能边缘解决方案。归根结底，价值不仅在于摄像头本身，而在于摄像头、传感器、分析和企业应用的协同工作方式。

在部署后，组织应如何评估计算机视觉系统的性能，尤其是当光照、摄像头位置、人类行为或运行条件可能变化并潜在影响准确性时？

这完全取决于使用场景，但最关键的是在实际使用环境中测试摄像头和 AI 模型。模型在受控环境中表现优异并不代表在现场的实际光照、摄像头位置、天气、背景和行为下也能同样出色。这也是我们鼓励客户在真实环境中评估 Axis Object Analytics 或 Axis Custom Analytics 等分析，并确保其准确度足以满足应用需求的原因。宝马工厂就是这种做法的典型案例：摄像头在真实的生产环境中使用，图像质量和随之产生的分析必须支撑实际的制造过程。

随着边缘 AI 能力的提升，您预计网络摄像头在未来十年的角色将如何演变？摄像头作为智能、响应式环境的主动组件，可能会出现哪些新功能？

网络摄像头正变得越来越核心。它不再仅仅是生成视频的摄像头，而是生成可被分析并在不同系统之间共享的数据的传感器。随着处理能力的持续提升，我预计摄像头将在实时理解其环境并提供有用信息方面表现得更出色。这正是场景智能的理念所在，摄像头能够更深入地理解场景，从而提供关于对象、其特征以及周围发生情况的更有意义的信息。

这可能意味着更高级的对象和行为检测、更紧密地与其他传感器和企业系统集成，以及在组织对事件响应方面实现更多自动化。更大的转变在于视频成为更广泛的数据和智能层的一部分。摄像头仍然捕捉发生的画面，但它日益能够帮助解释发生了什么以及组织可能接下来该采取何种行动。

感谢这次精彩的访谈，想了解更多的读者请访问 Axis Communications。