以下文章来源于艾瑞咨询，作者艾瑞

AI视觉丨研究报告

核心摘要：

AI视觉产业背景：AI视觉又称计算机视觉，得益于深度学习技术的快速发展，已于安防、金融、制造、零售等多领域实现规模化商用。2022年，AI视觉相关投融资热潮全面复苏，通用技术、工业与零售赛道热度高企，持续受到资本青睐。2021年我国AI视觉产品的市场规模占整个人工智能行业的49.6%，达到990亿元。从资本热度、市场规模、场景泛用、带动作用来说，AI视觉已成为AI产业发展的主战场，未来增量动力依然强劲。

端边云协同的需求趋势：数字经济时代，物联网感知数据量激增，边缘计算刚需场景涌现。边缘计算可在本地提供IT服务、计算能力，减少上传的数据量、节省网络操作、服务交付的时间延迟，提高传输效率。企业可以选择将算力下沉至更贴近设备端的边缘计算，衍生出端-边-云的协同新模式。

端边云协同的AI视觉产业：产品模式一般可分为标准化SaaS产品与定制化解决方案两类。行业客户需根据自身IT信息化水平、需求定制化程度、产品付费意愿、适用场景需求等因素考量选择。具体到边缘侧部署上，AI摄像头出于功耗、散热等因素考量，不会内置过多算法，可处理简要前端场景；若对时延要求高且算法需求复杂的应用场景，则需搭建边缘盒子或边缘服务器。本篇报告根据行业特点与场景需求，对安防、工业、零售、机器人、农业领域展开讨论。

AI视觉关键任务

又称计算机视觉，关键任务聚焦语义感知与定位追踪

视觉使人类得以感知和理解周边的世界，人类的大脑皮层约有70%都在处理视觉信息，可以说视觉是人类获取信息最主要的渠道。而AI视觉即通过电子化的方式来感知和理解影像，让机器或计算机可以像人类那样“看”，甚至达到超越人类视觉智能的效果。如今AI视觉（计算机视觉）包括了语义感知、定位追踪和几何属性等诸多不同研究方向。

AI视觉发展历程

得益于深度学习技术，AI视觉处于商业应用扩展增速期

自2012年采用深度学习架构的AlexNet模型以超越第二名10个百分点的成绩在ImageNet竞赛中夺冠。得益于深度学习所需专家分析和微调较少、能够处理海量数据、具备高灵活性等优势，深度学习技术在目标检测、目标跟踪、图像分割、场景分类、字符识别、人脸识别、姿态估计、动作与行为识别等方向上陆续取得了多项突破性成果。AI视觉在工业界逐步实现商用价值，步入规模化商业落地阶段。同时，随着相关设备能力的改善（如算力、内存容量、能耗、图像传感器分辨率和光学器件），提升了视觉应用的性能和成本效益，进一步加快了AI视觉商业应用的扩展。

AI视觉资本市场之路

投融资热潮全面复苏，AI视觉的商业化前景得到资本认可

创业企业是AI视觉市场的主要参与力量之一。行业在经历了三年的投融资低迷期后，2022年投融资数量和金额皆创历史新高。截至2022年8月，我国AI视觉相关业务获投企业数量已达292家，近半数属于2020年10月以后的新增企业。投资热潮全面复苏，科创板顺利落地为AI行业引入了中长期资金通道和市场关注度，加速推动一批拥有核心技术的厂商成长。从2021年开始，AI视觉领域的股权投资、转让、被收购、IPO事件数量开始增加。2022年云从科技，熵基科技等生物识别厂商集中上市表示AI视觉的行业成熟度和认可度已进入新阶段。

通用技术、工业与零售赛道热度高企，持续受到资本青睐

在统计期内共有466起AI视觉投融资事件发生，累计有292家企业获投，热门赛道集中于通用技术、工业、零售、医疗。具备底层技术研发的厂商受到一级市场资本青睐，新能源电车与自动驾驶的热潮带动了一批主营自动驾驶系统、芯片、传感器的技术厂商，通用技术热门方向还包括生物识别、智能制造等。工业赛道热度高源于产业链条长且场景多样（装配，质检，运输），AI视觉算法配合工业相机可实现生产自动化；而具备视觉分辨能力的机器人可以持续高效的完成重复动作，极大提高了生产效率。AI零售获投企业数增长明显，2022年截至8月份的获投企业数（40家）已超过2019至2021年的投融资事件累计数量，AI零售产品门类则涉及智慧物流、协作机器人，无人化运营等。

AI视觉商业化落地进程

千亿级大赛道初露端倪，成为人工智能产业规模的主战场

通过对下游行业需求统计测算，2021年我国AI视觉产品的市场规模占整个人工智能行业的49.6%，达到990亿元。和AI视觉有关的计算机通信设备销售、医疗器械等专用设备销售、工程建设、传统业务效益转化等带动相关产业规模超过3079亿元。从市场规模、场景泛用、带动作用来说，AI视觉领域已成为人工智能产业规模的主战场。AI视觉承接海量下游需求，未来增量动力依然强劲。

处理视觉信息实现自动化、智能化，下游应用场景广泛

AI视觉主要以图像和视频等高维、密集数据为主要处理对象，深度提取信息，在安防行业首先实现规模化落地，用于进行人员数据的静态查询与动态比对，以及监控视频内容的结构化处理；金融行业更多通过人脸识别的身份验证保证操作行为的安全合规。此外，AI视觉还逐步赋能于零售、医疗、自动驾驶、泛工业、泛农业等领域，应用场景广泛，商业价值不断被挖掘。

AI视觉落地赛道探讨

落地行业赛道特征与竞争策略问题

（1）针对泛安防（公安交通、社区楼宇）、金融等主管部门释放了非常明确的利好信号或大额持续投资的行业，主要机遇在于将产品打磨到足够精准、鲁棒性足够强，以便进入高门槛的准入供应池，同时通过解决高难度识别需求的硬实力卡位；（2）针对医疗、能源和制造等具有战略意义、发展空间极大，但或陷入长审批周期、或限于审慎性难以快速释放市场需求的行业，主要机遇在于抢先进入行业生态圈，谋划通过政府、核心集团企业等途径，积极参与公共服务平台建设，建立从上向下拓展的先发优势，获得大量训练数据与场景理解，形成产品提升的护城河；（3）针对零售、农业等长尾需求频发或数字化水平较低且对价格敏感的行业，主要机遇在于优化产品成本、降低部署及运维难度、打通渠道以占领市场份额；（4）针对机器人（AGV/AMR/机械臂）等技术融合应用领域，除算法开发的硬实力外，视觉识别技术提供商也需具备联合开发的软能力。

AI视觉产学研热点及趋势

云端通用大模型+端侧低功耗小模型

基于应用场景的需求差异，云侧部署的通用高效神经网络大模型和端侧部署的加速小型化神经网络模型成为目前AI视觉厂商优化解决方案的路径之一。而随着在自然语言处理领域大放异彩的Transformer模型应用于CV领域，其与CNN结合的混合模型架构也正逐步成为视觉任务的重点研究方向，以降低模型结构的复杂性并提升可扩展性和训练效率。未来，AI视觉技术在适应三维世界、突破依赖标注数据输入的局限、降低算力能耗、多模态信息融合分析、与知识和常识结合解决高层次问题、主动感知与适应复杂变化等上仍有待突破。此外“技术同质化”却并不意味着“算法同质化”，AI视觉算法厂商的工程能力仍是技术工业落地的试金石。

端-边-云协同的驱动因素

数据体量骤增，我国数据资源优势明显

数字经济下，生产要素组合为数字、技术、资本、劳动力、土地，其中数字作为核心要素起到关键变革作用。人们对于海量数据的挖掘和运用带来新一波生产率增长与消费者盈余浪潮。随着人工智能、物联网、云计算、边缘计算等新兴技术的快速发展，中国已凭借其网络基础设施、数据中心设施等数据资源优势，迎来数据体量的爆发。根据IDC预测，2018-2025年，中国数据圈将以30%的年平均增长速度领先全球，2025年预计数据量级将增长至48ZB，占全球数据圈的27.8%，成为全球最大的数据圈。

IoT广泛连接，边缘刚需场景涌现

根据艾瑞咨询测算，中国物联网连接量将从2019年的55亿个增长至2025年的156亿个。物联网感知数据量激增，数据类型愈发复杂多样。随着智慧城市、自动驾驶、工业互联网等应用的落地，海量的终端设备实时产生数据，集中式云计算在带宽负载、网络延时、数据管理成本等方面将愈发显得捉襟见肘，难以适应数据频繁交互的需求，边缘侧的价值将进一步凸显。

端-边-云协同的支撑条件

多元化AI加速芯片、5G和Wi-Fi网络、云原生技术等助力

1）算力芯片：FPGA架构兼具强大的计算性能和超低的延迟，其低功耗的特性更适合部署在边缘侧，又不似ASIC般专为某种特定用途而定制，应能够有效应对边缘计算带来的挑战；专门为AI深度学习设计的AI神经网络专用加速芯片（NPU）也在边缘计算场景崭露头角；

2）5G和Wi-Fi：5G是边缘计算时代最重要的网络技术，其大带宽、低时延、广连接的特性与边缘场景相契合，尤其在自动驾驶等要求室外覆盖、移动性的场景中具有不可替代性。但现阶段5G行业终端的数量尚少，预计边缘计算会随着5G行业应用的普及分阶段落地。此外，Wi-Fi技术也在向着更高的吞吐量、更大的覆盖面积和更低的时延发展，Wi-Fi在室内场景中的优势使其成为5G的重要补充，两者将共同助力边缘云应用；

3）云原生技术：包括容器、微服务、DevOps等在内的云原生技术和理念强调松耦合的架构和简单便捷的扩展能力，旨在通过统一标准实现不同基础设施上一致的云计算体验。相比于虚拟主机，云原生更适合边缘云计算的场景，可以为端边云提供一体化的应用分发与协同管理，解决边缘侧大规模应用交付、运维、管控的问题。

端-边-云协同的趋势演变

通过“边缘”打通最后一公里，实现云边协同与端侧边缘化

云计算最早通过网络将分散的ICT资源集中起来，以云服务形式为客户提供按需资源，极大改变了社会工作方式与商业模式。而借力于云端算力资源与端侧数据处理的协同应用，云端智能产品得到了快速发展。但随着全球及中国数据量的爆发性增长，海量设备端数据向中心云进行传输和处理时，需要超大的带宽与回传容量，将面临带宽负载、网络时延、传输成本上的巨大压力。边缘计算可在本地提供IT服务、计算能力，减少上传的数据量、节省网络操作、服务交付的时间延迟，提高传输效率，让海量数据实现本地存储、处理、分析、决策和执行。企业可以选择将算力下沉至更贴近设备端的边缘计算，衍生出端-边-云的协同新模式。

端-边-云的应用需求分析

产品架构选择需对时延、成本、场景复杂度做多因素考量

在云计算时代兴起以前，图像数据主要为本地化处理，而随着云计算服务发展，将端侧设备部署在本地，算法放置在云端的产品架构可以有效实现端侧的空间节约、部署的成本降低及算法的实时更新。因此云端协同广泛渗透到各行业产品应用中，但该产品结构下，端侧数据均需回传到云端做处理，适用场景需对时延要求较低，存在数据传输量大、能耗高等问题。深度神经网络的技术发展与模型应用又进一步加大了数据传输量，AI摄像头便在此背景下应运而生，构建起初步的云“边”端协同，由内置AI算法的摄像头实现前置化的数据处理，初步成为边缘侧。值得注意的是，AI摄像头出于功耗、散热等因素考量，不会内置过多算法，可处理简要前端场景。若对时延要求高且算法需求复杂的应用场景，则需搭建边缘盒子或边缘服务器，构建边缘侧，实现云、边、端的相互协同。本篇报告根据行业特点与场景需求，将安防、工业、零售、机器人、农业领域划定为产品应用的研究范围。

端边云协同的AI视觉产业图谱

端边云协同的AI视觉产业模式

以端侧智能化为切入点，协同云边满足多样化业务需求

端边云协同的AI视觉解决方案核心由硬件产品、软件服务与应用平台构成。底层硬件的摄像头本机种类丰富，可分为枪型、筒型、球机、水下、全景等多种类型，应用适配于不同终端场景。在集成神经网络算法与计算单元后变为AI摄像头后，再根据场景需求判断是否附加到其他硬件产品上，以解决端侧对图像分析、动态视频分析的简单推理需求。软件服务与应用平台需评估客户的定制化需求程度，提供对应的标准化SaaS服务或定制化平台解决方案，满足客户在敏捷部署、时延带宽、产品成本、数据安全等方面的多样化业务需求。

端边云协同的AI视觉解决方案

与通用AI产品模式相同，按需选择标准或定制化产品方案

随着人工智能深度学习算法的快速成熟，中国诞生了一批深耕于AI视觉算法技术的人工智能企业。总结来看，提供AI视觉产品的市场参与厂商众多，主要包括大型云服务厂商（阿里云、腾讯云、百度云、华为云等）、AI视觉算法厂商（商汤、旷视、云天励飞、进化动力等）以及传统安防厂商（海康威视、大华股份、宇视科技等）。各家以AI技术积累、渠道经验、产品特性为市场切入点，选择一个或多个垂直业务领域。以安防、零售、金融、车联网、机器人、农业等为例，提供端边云协同架构的AI视觉产品方案。AI视觉产品模式一般可分为标准化SaaS产品与定制化解决方案两类，行业客户需根据自身IT信息化水平、需求定制化程度、产品付费意愿、适用场景需求等因素考量选择，对应完成端侧、边缘侧及云侧的产品部署。

行业应用：安防领域

算力向边缘侧、端侧前移趋势明显，减少后端处理压力

公安交通作为AI视觉应用于安防领域的重要支柱赛道，兴起初期为大范围的新建市场，重点为端侧与中心侧的AI相关基础设施建设；现阶段建设方向转变为智能化视频监控升级，一种是对原本不智能的系统进行智能化升级，另一种是对已有的前端智能化视频监控系统进行事前预警、判断、处理的升级改造。边缘侧作为建设重点契合向综合化、网格化管理模式转变的需求，将分担中心侧的算力，将事前告警、分析能力等前移。此外在智慧社区及老旧小区改造的推动下，社区楼宇领域的智能视频监控系统铺设正进入加速阶段，但单个项目对后端系统的需求不大，主要依靠端侧AI相机进行处理。

行业应用：零售领域

AI视觉集中于对商品及消费者进行识别分析

零售场景中AI视觉技术应用主要包括商品识别分析和消费者行为洞察。前者主要体现在电商以图搜图、货架陈列分析、自助结算/称重等环节。通过图像识别及分析技术理解货品在零售场景中的状态，助力精准营销及提高门店运营管理效率；后者则是通过人脸识别、人体特征识别等技术获得消费者购买行为数据，实现对消费者的行为洞察。在此融合基础上，可对门店经营情况、消费者游逛行为等进行数据量化，服务于精准营销、智能化运营、门店管理等智慧零售应用，助力零售企业降低人工成本、优化运营效率、提升消费者购物体验、塑造新兴业态等。对于实体零售企业，端边云协同的部署模式可以保证自助结算、防盗损、门店运营管理等对实时性及数据保密的要求；而自助称重、自助结算、无人零售货柜等对数据及算力要求较低的应用场景，近端侧解决方案具有低成本、灵活部署、易运维等优势。

行业应用：工业领域

端侧数据采集，边缘侧实时性决策，云端AI训练

AI视觉在检测方面由于适宜处理易混淆的问题、能够直接判别缺陷如何处理，覆盖了传统工业机器视觉的功能盲区，尤其在3D尺寸及缺陷监测任务中表现出明显优势；且通过3D视觉传感器等，可使工业相机具备深度学习检测能力，无需再配备工业计算机，具有更高效率、开发简易、硬件投资节约等优点。基于以上优势，AI视觉可以完成工业智能运维中的外观异常检测、仪表示数异常检测，帮助实现预测性维护和智能运维；也可以独立应用于生产环节的质量质检、产品和组件装配检查等。具体部署层面，AI视觉技术可与激光设备、图像读码器等现场工业装备或工业相机、镜头等机器视觉系统集成应用，亦可通过工业互联网平台实现端边云一体化应用。端边云协同部署方案可以有效实现在线获取数据、在线调试，快速实现模型的迭代优化、实时下发至端侧实时应用，提升运维人员的AI模型迭代效率的同时保证低时延、缓解通信链路带宽压力等要求。

行业应用：机器人领域

3D视觉赋予机器人“视力”，边缘计算确保响应速度

近年来，AI视觉技术与机器人的“联姻” 如火如荼。视觉SLAM导航技术在复杂应用场景更具灵活性，并且设备投资和维护成本较激光SLAM技术有明显优势。以AGV搬运机器人为例，其可通过视觉自动导引技术对行驶区域环境进行图像识别，实现智能行驶、物体识别等动作，广泛应用在各大电商、物流、制造业仓储环境中。边缘计算实时处理技术可确保数据的低延时处理响应，防止工作场所人员伤害且可实现数据不出场。类似的，也可应用于工厂智能化产线以降低对高成本精密传感器的依赖，通过端侧图像数据本地化处理并实时传递给智能机械臂，引导机械臂运动路径及抓取动作等，用于无序分拣与堆码、上下料及焊接等。5G与边缘计算技术发展为机器人产业带来爆发机会：低时延可协调多设备联动、提升智能设备与业务系统间实时通信能力、云边协同可突破终端算力和存储限制等。

行业应用：农业领域

为农业生产防损增效，提升端侧响应能力与数据安全隐私性

随着我国城镇化率的不断提升，农村人口日益短缺，劳动力成本迅速增加。国家正积极开展数字乡村建设，推进物联网、人工智能、区块链等新一代信息技术与农业深度融合，以加快农业全产业链数字化转型。通过对畜牧管理、农作物管理、渔业管理等领域的深度赋能，实现农业作业流程与生产效果的可视化呈现、全流程监管、动态数据分析、智能决策优化及生产防损增效。端边云协同架构助力AI视觉解决方案可以在靠近端侧具备及时处理数据，并做出反馈的运算推理能力，有效应对资产防盗、生产巡检等场景的及时化需求。另外，农业生产数据丰富，可反映农业厂商的生产工艺、SOP、核心竞争力等敏感信息，靠近端侧的数据处理能力让农业数据的隐私安全性进一步得到了保障。

端边云协同的技术趋势

端边云协同的AI视觉产业发展依赖于边缘AI技术发展

在端边云协同的AI视觉解决方案部署架构中，由于多端侧场景下的训练数据通常以分布式形式产生和存储在不同终端设备中。因此如何以较低的网络成本、强收敛性、高安全性来进行AI模型的分布式训练就非常关键。目前，面向边缘智能的模型训练优化技术主要包括联邦学习、增量学习、协同推理等方向。此外，边缘AI技术目前多集中在深度学习的图像分类领域作为切入点，但在更多的AI视觉领域如目标检测、属性分析、关键点检测、行为分析、运动状态、重识别等研究较少，上述技术领域发展未来具有更高的商业应用价值。

算网深度融合技术助力端边云协同的AI视觉应用落地

端边云协同的AI视觉应用对算力和网络部署提出了要求。传统的算力和网络相互独立，二者仅为简单的连接关系。而以NFV/SDN为核心技术的下一代网络规模部署，算力和网络开始在基础设施层面逐步融合，算力资源融入通信网络。随着5G+边缘计算的飞速发展，进一步驱动网络开始感知算力位置，实现就近分流。未来，算网将在协议和形态层面进一步融合，通过在网络协议中引入算力信息，将应用请求沿最优路径调度至算力节点；网络设备通过共享自身算力，对数据进行在网计算，降低通信延迟，具备低时延和按需使用的特征，将推动车联网自动驾驶、超边缘生产现场、公共安全、XR文娱等超低时延类AI视觉任务的应用推广。

端边云协同的生态趋势

建立可信边缘，推进边缘计算产业发展新机遇

国家十四五规划纲要指出，要“协同发展云服务与边缘计算服务”，另外国务院印发的《“十四五”数字经济发展规划》同样提出“加强面向特定场景的边缘计算能力”，未来边缘计算将进入黄金发展期，在满足灵活响应、敏捷部署、时延成本的业务需求外，未来需进一步关注边缘服务的安全、可靠、可信等能力。对此，中国信通院云计算与大数据研究所发起“可信边缘计算推进计划” ，汇聚产、学、研、用各界势能，共同推动边缘计算相关技术和方案高质量发展，构建“可信边缘计算”生态，进一步把握端边云协同产业趋势的发展新机遇。