一、背景介绍

人工智能作为一种新兴技术，其主要目的是以软件形式模拟人类智能。它的发展可追溯至20世纪50年代，得益于近几年以计算机技术为发展的大量存储和计算能力不断提升，人工智能技术也取得了巨大突破。

随着物联网和移动互联网的快速发展，产生了海量数据并且需要进行迅速处理，常规的“云 端”计算模式已经无法同时满足时延、并发、计算类型、成本等方面的需求，边缘计算技术成为解决上述       问题的最佳途径之一。边缘计算有别于传统云计算，指在接近数据源头处进行计算的一种新型计算架构，可减少海量数据的低效搬运，从而使整个网络的承载能力更高，业务多样性更丰富，适用性更强。

当前正处于科技发展快速变革的阶段，人工智能与边缘计算的融合发展变得越来越紧密。人工智能技术开始在边缘侧扩展，庞大的数据量需要快速有效地分析，这极大增强了对于边缘计算的需求，边缘计算的重要性因而逐渐凸显。同时，人工智能可以使边缘计算设备更加智能化，使其能更好地满足用户需求。例如，在边缘设备上运行人工智能算法不仅可以减少数据传输和处理的成本，还能提高响应速度。本文试图从综合角度来分析人工智能与边缘计算技术的发展，并探讨两者之间的联系以及对治安防控管理的作用。

二、关键技术点及优化分析

1.人工智能与边缘计算融合应用中的技术难点

随着算法、算力和数据这三架马车突飞猛进的发展，以深度学习为代表的人工智能技术已经在各类产业应用场景中逐步渗透，特别是安防、制造业、金融、电商、农业、园区和智能家居等多个领域都将成为人工智能“大展拳脚”之地。

由于深度学习技术需要进行大量的推理类或训练类计算，对于算力要求极高，目前基于深度学习能进行规模化应用的场景通常都需要依赖于高带宽的行业专网（如公安视频专网），以及具有强大计算能力的云算力平台，这无疑极大地限制了规模化应用场景的发展。

从技术维度总结来看，主要有以下几个难点：

（1）兼容性差。在各类应用现场存在数十种总线技术的情况是常态，传输、对接、交换等步骤涉及到的技术标准众多，相互之间开放性差、数据共享难度大、限制了设备规模组网。

（2）数据构成复杂。多元异构数据难以处理，难以实现数据的治理与组织。各自独立的系统导致数据孤岛的形成，难以使信息有效流动互通。

（3）时延要求高。大多数场景对时延都有相对苛刻的要求，云计算难以满足对业务的实时性要求，比如协作机器人对时延的要求一般在100ms以内。

（4）带宽压力大。当前大多数应用场景的数据量急速增长，若将全部数据均上传至云端进行处理，会对带宽产生较大压力。

（5）安全稳定要求。由于数据在边缘设备和云端之间传输，因此需要采取相应措施来确保数据的安全性和隐私保护。如使用数据加密技术来保护数据的安全性，使用身份认证技术确保用户的隐私。

2.边缘计算是解决人工智能落地“最后一公里”问题的最优解

边缘计算技术可以贯穿云、边、端，满足人工智能在工业互联网落地时全周期关键技术的需求，这无疑是解决人工智能落地“最后一公里”问题的最优解。基于边缘计算能够在更加靠近用户和数据源的网络边缘侧训练和部署深度学习模型，既能以较低的成本开展计算，又能够保护用户隐私，提高性能，减少数据传输损耗。

（1）高灵活性，降低现场复杂性。边缘计算对多协议和通信接口均可兼容，能够有效满足不同场景跨设备、跨网络连接的需求。

（2）实现超低计算处理演示。边缘计算具有更加靠近终端的特性，可以满足低时延场景中对精度、协同等高要求。

（3）降低外网带宽要求，提供大量数据采集处理能力。边缘计算在本地就近进行计算与处理，极大地减少了数据传输，为工业互联网大规模应用提供了基础。

（4）提供本地算力，提高可靠性。数据本地处理可降低数据泄露的风险，提升了工业企业数据安全性。

3.优化思路

（1）建立移动场景算力供给能力

当前，伴随着各行业开始进行数智化转型，智能化应用下放至边缘侧处理，推理、采集等任务对算力需求日益增高，传统的“终端—云中心—终端”来回往复的数据传输模式已不再适用。通过优化人工智能模型，充分利用边缘侧的算力，以更高效的人工智能模型将实时性要求高、安全性高、数据传输量大的业务在边缘侧进行计算，再将结果回传至云中心进行数据融合，成为了当前边缘智能面临的重要技术攻关点之一。在此背景下，多接入边缘计算（MEC）技术是边缘计算与5G融合的代表性技术，通过将终端算力后置到边缘，云端服务下沉到边侧，可提供低成本、低时延、高安全的服务。

（2）提升智能化应用的实时性

随着万物互联场景越来越普及，特别是在5G规模化部署与应用的背景下，智能装备、智能网联、VR/AR/MR等对于实时性、本地化有着较强需求的场景逐步铺开应用，通过边缘计算可以有效提升上述场景的用户体验。

在高实时性应用场景中，边缘人工智能设备提供的存、算、检、网等类型的资源通过GPU、FPGA、TPU等专用硬件进行加速，能高速实时处理迅速攀升的强实时数据量，典型的应用场景如：利用视觉检测技术实现产线的智能质检，在云端进行训练及分发算法，在边端进行计算及应用。

（3）提供高效算力供给能力

高性能计算与边缘计算技术的协同与融合发展，使得原来只能在中心云上开展的业务能快速下放到边缘侧进行，这样更多的场景得以广泛应用。

边缘高性能计算架构主要包括边缘基础设施层、HPC平台层、应用层和多云互联四个部分，典型的应用场景是以CDN加速服务对视频进行加速处理方式，在边缘侧部署“硬件 软件”异构计算环境，实现视频加速处理。

（4）实现高效可信的数据交互

传统云计算架构仅能确保用户的数据安全与隐私在云机房内得到保护，一旦数据经传输离开机房就将面临诸多安全风险，如通信协议数据泄漏、边缘节点数据易损毁、隐私数据保护不足等。高速发展的车联网、工业互联网等场景均强调要在边缘侧部署各类安全策略，确保安全防护措施及时与有效。边缘计算安全技术需要融合边缘计算架构与各类安全防护技术，形成端到端的安全管控体系。

三、人工智能与边缘计算融合发展对治安防控的作用

1.治安防控对人工智能与边缘计算的需求

治安防控是一项涉及范围广、参与单位多、协调难度大的系统性工作，具有高度的组织协调性。要做好治安防控工作，主要手段是抓最小防控单元，多维感知与实时计算成为主要的技术支撑。

（1）利用边缘计算设施支撑治安防控广泛开展

重点单位、重点场所、重点区域遍布于社会面各个位置，网络环境、基础信息化设施、感知终端、建设主体等方面均存在较大差异。总体而言，存在网络带宽不高、算力不足、感知能力差、安全性低等问题。由于建设主体与投资能力的差异，很难有足够的资金进行对基础设施开展统一规划、优化与升级，大多是按“分步分期、逐区推进”的模式开展基础设施建设。因此，迫切需要低成本、高性能、部署维护方便的边缘计算类信息基础设施提供支撑。

（2）利用人工智能边缘计算融合进行多要素感知

重点核心部位没有做到全域、全量、全时的视图数据采集，难以实现防控单元“人清、物清、事清”。单元防控场所人员结构复杂，伴随着事件易滋生、人员易聚集、重点人员常出入等现象，通过对采集到的数据进行清晰转换与解析处理，为预警各类安全风险、打击各类违法犯罪事件等实战应用提供数据支撑，达到“事件全感知、身份可掌握”的要求。因此需要整合现有防控要素感知手段，查缺补漏，新建重要节点的感知能力，在人工智能与边缘计算能力的加持下形成更加全面的感知能力。

（3）提供本地化时空数据分析能力

目前防控区域的问题主要体现在：一是缺少动态感知数据的关联展示分析；二是基于二维一张图展示对现场预警事件的指挥调度不能实现全景全域三维一体掌控现场的需求，无法了解掌握周边时空的鲜活信息。综上，当大型活动、警卫安保、旅游景区等防控领域场景面对突发应急事件时，由于不能快速掌控重点核心部位的全息数据和全景态势，进而可能导致发生现场态势不可控的情况。因此需要低成本、本地化的时空数据分析能力，助力防控区域的综合研判分析，利用“人工智能 边缘计算”的组合拳可有效解决上述问题。

2.人工智能与边缘计算融合发展在治安防控场景中的典型应用

针对单元防控的管理，需通过现有技术手段对辖区内实有人员数据进行及时更新管理，实时关注、核查进入该区域的陌生人群，做到对区域内人员“底数清、情况明”，同时建立对各类异常事件的感知与预警能力，及时消除治安隐患。

（1）边缘汇聚、整合新建，实现“一体感知全域”

要做好治安防控，必须对防控区域进行充分感知与监测，因此需要利用人工智能与边缘计算的融合能力，建设一张具备多维度感知能力的物联感知网，实现治安防控所需数据的整合，理清防控区域的动态人地物事组织数据。

考虑到各防控单元的信息化基础设施情况不一、网络带宽不可控等情况，最佳路径是以边缘计算技术建设多元化感知数据底座，在最靠近感知数据的地方开展计算，解决窄带宽下的高实时性汇聚与计算问题。

（2）边缘融合、人工智能协同，实现“一脑洞察全局”

数据是业务驱动的根本因素，由于数据通常只能采集上报，难以灵活应用，导致数据采集成为了基层单位开展工作的一大痛点。利用人工智能与边缘计算融合，在边缘侧建设本地化的防控单元“数据小脑”，汇聚防控区域各类感知数据，通过人工智能技术将数据解析为可计算、可认知的结构化数据，形成对防控区域全时全域的精细刻画与深刻洞察，即“一脑洞察全局”。

（3）融合服务，实现“一图透视全景”

在边缘侧建立“防控单元综合服务一张图”，通过无人机倾斜摄影对社区进行实景化建模，利用时空大数据，结合GIS技术对防控单元进行数字化、空间化管理，以三维直观可视化的形式对防控单元进行“时空一张图”的建立。以建立防控单元精细化治理的时空态势为基础，为管理决策提供科学的实景空间依据。由于“防控单元综合服务一张图”需要在本地实现时空分析、三维实景刻画、空间研判等功能，通过云端计算再传输至边缘侧不具备技术可行性，因此需要边缘侧的计算平台具备强大的空间计算和计算机视觉计算的能力。

四、结语

从治安防控角度来看，利用好人工智能与边缘计算技术，围绕全域、全量、多维、即时的数据感知要求，推动无感知、动态采的智能设备的部署，加快前端感知与应用系统的有机对接，可构建出全面感知、广泛互联、融合共享、智慧应用、精准服务的动态防控感知体系。从更大的范围看，边缘计算具有实时性强、安全性高、单位成本低等优势，能够使响应更迅速、计算更充分，结合人工智能超强的学习能力为治安防控广泛落地提供了技术支撑。

可以预见，随着算力密度进一提升和人工智能模型进一步优化，人工智能与边缘计算技术必将深度融合发展。边缘智能依托于边缘计算的低时延、分布式的特性，实现了将人工智能的自主学习、智能决策能力进行下放，进而赋能行业应用场景迸发出更灿烂的火花。