根據市場研究機構Marketsandmarkets指出，影像監控的市場產值，將以每年13.1%複合成長率的速度成長，從2018年的368.9億美元，成長至2023年的683.4億美元。而機器學習(ML)與深度學習(Deep Learning)等AI技術，更將是提升監控系統效能，使其實現更多應用的最大關鍵。
邊緣監控應用起 晶片運算需求增
機器學習可被訓練，以識別模式、形狀、顏色、聲音、振動、溫度以及壓力等細微差別和差異，這對於即時檢測和識別十分重要，使得臉部辨識應用日益完善，以進行高級識別、驗證、搜索、預防和救援。至於深度學習，透過大量的監控影像和訓練之後，搭載深度學習的監控系統便可有效的進行對象和行為模式分析，進而提供更有效的數據。而隨著機器學習、深度學習等AI技術興起之後，AI監控應用也隨之浮現。
國立交通大學資訊工程學系教授兼網路研究所所長易志偉(圖1)表示，AI技術(如深度學習)的優勢在於，可降低影像處理的門檻，使得影像資料分析不再是一件複雜的工作，進而依此衍生出更多創新的應用，例如無人商店的AI監控應用便是其中一個例子。
易志偉說明，像是7-11所推出的X-Store，有著自助結帳櫃檯，需要先透過臉部辨識系統確認個人身分後，再以icash2.0靠卡付款；而在進入商店時也需透過臉部辨識系統建立會員。當然，除了無人商店外，智慧監控還可應用在許多地方，例如透過攝影機錄下羽球選手各個動作，像擊球、腳步移動、球的落點位置等，再進行資料分析，以提升選手的訓練效率。
賽靈思全球人工智慧解決方案市場行銷總監劉競秀(圖2)指出，到了行動物聯網時代，聯網設備的數量將大幅超過人口數量；而隨著AI興起，未來勢將走向AI+IoT的趨勢，像是智慧監控攝影機、自動駕駛汽車、智慧音箱、智慧家電等。換言之，日後這些設備將具備一定的運算能力，使其能透過本地推論、訓練，做出更準確的分析以改變人類日常生活。
劉競秀說明，不過，要實現AIoT的挑戰在於不同的應用場景需要不同的運算效能。例如自駕車需要在很短時間內對周遭環境進行檢測並做出判斷，這時候晶片的運算效能及資訊傳輸就必須相當迅速；然而，若是網路監控攝影機的話，由於其需長時間運作，進行長期監控，其對晶片的要求除了具備一定的運算能力外，還需要低功耗，避免過熱當機。
劉競秀指出，也因此，如何針對不同的應用場景提供靈活、高效，且高性價比的AI解決方案，是目前AI晶片供應業者致力發展的方向；而賽靈思便透過靈活性較高的FPGA協助產業盡速導入AI，實現更智慧的應用。例如賽靈思所推出的自行調適運算加速平台「ACAP」，能針對各種應用與工作負載需求，從硬體層面進行靈活變化。
據悉，在ACAP核心內有個全新世代的FPGA架構，其結合分散式記憶體與硬體可編程DSP模組、一顆多核心SoC，以及一個或多個軟體可編程且硬體自行調適的運算引擎，上述元件皆透過網路晶片(NoC)串連。此外，ACAP具高度整合的可編程I/O功能，依據不同元件類型，其功能涵蓋整合的硬體可編程記憶體控制器、先進的串列器技術、具領導地位的邊緣RF-ADC/DAC，到整合的高階頻寬記憶體(HBM)。
除了ACAP之外，賽靈思還具有DNNDK(Deep Neural Network Development Kit)，其為深鑒科技所研發的AI異構計算平台DPU。
透過自主研發的原創深度學習SDK，涵蓋了神經網路Inference階段模型壓縮、編譯優化和高效運行時支持等各種功能需求，為深度學習應用開發和部署提供一套高效的解決方案。
耐能智慧(Kneron)產品行銷暨應用協理史亞倫(圖3)則指出，AI從雲端走到邊緣裝置的趨勢十分明顯，終端裝置有了AI運算能力之後，再跟雲端搭配，可以降低資料傳輸、運算分析的延遲性，不僅可實現更多創新應用，還可降低終端裝置與雲端間的連網布建成本。
因應智慧監控需求，耐能備有新一代終端AI處理器系列NPU IP，其分為超低功耗版KDP 320、標準版KDP 520，以及高效能版KDP 720。此一處理器整體運算效能相較上一代產品提升三倍，運算能力(Peak Throughput)最高可達5.8 TOPS(每秒萬億次運算)。
據悉，新系列產品特色包括交錯式運算架構，讓神經網路架構中主要的卷積(Convolution)與池化(Pooling)運算可平行進行，提升整體運算效率；深度壓縮技術，可執行模型和運行中的資料和參數(Coefficient)進行壓縮，減少記憶體使用；動態儲存資源配置，讓共享記憶體(Shared Memory)和運作記憶體(Operating Memory)之間可以進行更有效的資源配置，提升儲存資源利用率且不影響運算效能；以及支援更廣泛的CNN模型。
史亞倫說明，邊緣運算應用十分多元，以智慧監控而言，不論是零售、交通、商業建築、安防等都會用到，且在各個領域中又細分無數個應用場景；有的需要精準人臉辨識，有的只須進行簡單車牌識別。因此，並非每個應用場景都須採用頂級、具超高運算能力的CPU、GPU或是DSP，否則會不符成本需求。
史亞倫進一步說明，因此，該公司便決定打造低功耗的NPU處理器。原因在於NPU處理器可說是專為深度學習設計，十分適合AI神經網路運算，並且有更多設計彈性。另外，有了低功耗、成本相對較低，同時還能進行邊緣AI應用的NPU晶片後，可讓市場有更多選擇，滿足對成本有較多考量的業者。
物聯網設備大增 資安防護不可少
物聯網和AI的興起，帶動許多創新應用興起，AI監控便是其中一例。然而，在使用AI監控提升安防效率之時，如何確保AI設備的資安，使其不被駭客竊取機密的資料，也十分重要。
台灣資通產業標準協會(TAICS)網路與資訊安全技術工作委員會技術長劉作仁(圖4)表示，物聯網應用和雲端息息相關，就連AI監控也不例外。使用者的裝置可以透過連線的方式，在雲端與終端裝置之間下載、上傳資料；而在這資料傳輸的過程之中，要如何實現完善的加密保護，是目前物聯網發展的重點。
為此，TAICS推動物聯網資安認驗證制度，期能落實各類型物聯網資安測試規範，推行物聯網產品與設備商落實資安檢測；並透過推動物聯網資安驗證制度，強化物聯網安全；最後則是建立物聯網資安標章制度，使消費者易於識別通過本資安驗證制度檢測之物聯網設備。
據悉，此一制度將先以與個人隱私息息相關的有線/無線網路攝影機為主，後續將會陸續針對其它各種物聯網設備。TAICS指出，物聯網盛行，使日常用品皆朝向數位化邁進，影像監控設備也是其中之一，但網路攻擊事件也隨之而來。有鑑於此，經濟部工業局與TAICS共同制定一系列針對影像監控系統中聯網設備之資安標準及測驗規範。
