据本报消息，结合省委常委专题调研部署，6月22日，省委常委、市委书记胡忠雄调研贵阳市运行管理中心“城市大脑”运行情况并主持召开专题会议。 他强调，要深入学习贯彻习近平总书记关于城市安全管理的重要指示精神，全力完善强化“城市大脑”，提高城市科学化、精细化、智能化水平治理。

市委副书记、市长马宁宇致辞。 贵州云上大数据（集团）公司总经理魏巍，贵阳贵安市领导毛银强、陈刚参加。

在认真听取“城市大脑”各功能板块建设运行情况汇报并观看系统演示后，胡忠雄指出，“城市大脑”建设启动以来，市相关部门认真贯彻落实省委、省政府决策部署，各项工作取得巨大成功。 阶段性结果。 要深刻认识“城市大脑”建设对推进城市治理体系和治理能力现代化的重大意义。 按照“省市共建、贵阳先行、全省推广”的要求，要坚持系统思维，加强工作协调，密切配合。 加快“城市大脑”功能迭代升级，让城市管理更智慧、城市运行更安全、城市生活更美好。

胡忠雄强调，要注重顶层设计，遵循“一网概览、一网管理、一网通信、一网共享”四个功能定位，确保数据真实准确，不断优化各功能板块，提高平台实时感知、快速有效发现问题、处理问题的能力。 要注重制度建设，增强责任意识，加强省市联动。 省有关部门和企业要未雨绸缪，积极研究，扎实推进。 贵阳、贵安各级部门要积极汇报、积极沟通、积极对接，加快推进数字化基地建设。 建设、平台系统集成及应用场景创建。 围绕系统运行，各级党政机关要强化“前台”服务保障，运营公司要做好“后台”技术支持和安全管理，采取市场化方式运营模式，充分挖掘数据资源，加强数据利用，更好服务经济增长。 以系统使用为重点，狠抓市领导、市直部门、区（市、县、开发区）乡镇（街道）、企业和群众“四大用户”，进一步拓展应用场景，加强制度设计，提高使用效率，做到实战有效、基层干部喜爱、群众享受，不断提高城市治理现代化水平，满足人民群众对美好生活的向往。

马宁宇要求，要加强推广使用，一级做给一级看，一级跟着一级看，扎扎实实把“一个市长一个示范”推动建立领导、部门日常调度工作平台，不断提高城市交通中心的认知度和使用率。 要完善体制机制，持续深化城市交通中心实体运行机制，推进体制创新、技术创新、管理创新，推动城市治理理念、治理方法、治理模式转变。 要丰富应用场景，以城市交通中心建设为推进数字政府建设的赛马场和赛场，做好数据共享和平台集成城市大脑，深入挖掘技术创新潜力和发展潜力。各领域应用，打造智慧城市典范。 要充分发挥数据价值，坚持市场化方向，积极鼓励市场主体参与，真正利用数据，让数据活起来，带动相关产业发展。

省有关部门和企业、市有关部门负责人参加。

（贵阳日报财经传媒记者 彭刚）

（《全力优化强化“城市大脑”，提高城市治理科学化、精细化、智能化水平》供贵阳日报社提供，转载请注明出处，未经书面授权，不得转载或镜像.)

1、背景——从集中式数据处理时代到以万物互联为核心的边缘计算时代；

云计算大多采用集中管理的方式，使得云服务能够创造较高的经济效益。 在万物互联的背景下，边缘设备产生大量的实时数据，云计算的性能逐渐达到瓶颈（边缘计算将在下面的章节中介绍）第二部分将详细讲解）。

一方面，边缘设备的数据量增加。 思科全球云指数GCI预测，到2020年，存储的数据总量将从2015年的1.4ZB增加到6.2ZB，2020年的6.2ZB数据中84%将存储在客户端设备上； 到2020年，连接到IP网络的设备数量将接近全球人口的三倍。 到2020年，人均网络设备数量将从2015年的2.2台增加到3.4台，人均IP流量也将从2015年的10GB增加到25GB；

另一方面，新兴的万物互联应用的延迟时间要求，例如——安装在无人驾驶车辆上的传感器和摄像头实时捕捉路况信息，每秒生成约1GB的数据。 据麦肯锡预测，到2030年，L4级自动驾驶汽车的市场规模将达到5500万至6000万辆，如何实现短时延将成为无人驾驶汽车上路前的主要研究方向之一。

随着边缘设备数据量的增加，网络带宽逐渐成为云计算的另一个瓶颈。 然而，仅增加网络带宽并不能满足万物互联应用的延迟时间要求。 因此，部分或全部计算是一种满足万物互联应用需求的新兴计算模式。

2.概念——什么是边缘计算（Edge）？

边缘计算中的“边缘”是一个相对的概念，指的是数据源和云计算中心的数据路径之间的任何计算资源和网络资源。 边缘计算的“边缘”不仅限于边缘服务器等边缘节点，还包括网络边缘的摄像头、智能手机、网关、可穿戴计算设备和传感器等。

边缘计算的基本概念是指利用边缘设备现有的计算能力，将应用服务程序的全部或部分计算任务从云中心迁移到边缘设备终端执行，降低能耗。

如上图左侧所示，是传统的云计算模型。 数据消费者向云中心发送请求，数据生产者向云端发送源数据，云计算使用大量的计算资源来处理数据。

上图右侧是基于双向计算流程的边缘计算模型。 云计算中心不仅从数据库收集数据，还从传感器、智能手机等边缘设备收集数据。 这些设备既是数据生产者又是数据消费者。 因此，终端设备和云中心之间的请求传递是双向的。 网络边缘设备不仅向云中心请求内容和服务，还执行一些计算任务，包括数据存储、处理、缓存、设备管理、隐私保护等。

3、应用——边缘计算模型+视频监控技术；

分布在城市各个角落的视频监控摄像头属于万物互联应用之一，用于应对新增犯罪、社会管理等公共安全问题。 传统视频监控系统的前端摄像头内置计算能力较低，而现有智能视频监控系统的智能处理能力不足。 为此，基于云计算和万物互联技术，将边缘计算模型与视频监控技术融合，构建基于边缘计算的新型视频监控应用软硬件服务平台，提高视频监控的智能处理能力。视频监控系统的前端摄像机。 实现重大刑事案件和恐怖袭击事件预警体系和处置机制，提高视频监控系统防范刑事犯罪和恐怖袭击的能力。

边缘计算+视频监控技术实际上构建了基于边缘计算的视频图像预处理技术。 通过对视频图像进行预处理，去除冗余图像信息，将部分或全部视频分析迁移到边缘，从而降低云中心的计算、存储和网络带宽需求，提高视频分析的速度。 此外，预处理所使用的算法采用软件优化和硬件加速等方法来提高视频图像分析的效率。

此外，为了减少上传视频数据，基于边缘预处理功能，构建了基于行为感知的视频监控数据弹性存储机制。 边缘计算软硬件框架为视频监控系统提供具有预处理功能的平台，实时提取和分析视频中的行为特征，实现监控场景行为感知的数据处理机制； 根据行为特征的决策功能，实时调整视频数据，减少了无效视频的存储，减少了存储空间，最大限度地存储了“正在进行的”证据视频数据，增强了可信度证据信息，提高视频数据的存储空间利用率。

4、公司——人人智能；

近日接受EO智库调研采访的人人智能是一家基于边缘计算和视频监控技术的企业，专注于人脸识别技术。 其核心芯片的实现，除了人人公司的智能人脸识别算法外，还依赖于芯片公司ARM的布局。

软银以 320 亿美元收购的 ARM 希望未来所有设备和硬件都运行在 ARM 的芯片智能技术上。 为此，ARM专门于2017年3月发布了下一代人工智能架构，通过CPU和系统两方面进行改进，将市面上性能最好的芯片的AI能力提升了50倍。 “依托ARM芯片强大的处理能力，可以节省产品80%的成本，并将开发周期缩短至6-12个月。”

受访者王海增信息：

毕业后，我在华为做了3-4年的总机。 后来第三年开始做视频会议+视频监控。 后来转到芯片公司中芯国际，包括芯片监控、智能分析、芯片分析。 后来创业，成为人人智能CEO，39岁，主要负责规划产品方向等。

业务描述：

人人智能是一家人脸识别服务提供商。 人人智能的人脸识别模块是嵌入式高性能ARM平台，支持深度学习算法。 它支持外接摄像头等硬件设备，可以直接从视频流中检测并加载人物。 人脸照片完成人脸图像识别。 目前，人人智能提供深度学习软硬件一体化解决方案。 其产品主要包括硬件模块、物联网云平台以及基于模块的落地产品。

人人智能组织架构：

四大模块：营销中心+产品中心+产业链合作中心+运营； 营销中心：负责寻找市场机会，进而寻找客户，进而转化订单； 产品中心：主要负责研发，然后制作产品样机； 产业链合作中心：主要负责系统的新工程和外包合作伙伴，提供产品和产品定制； 运营：财务、流程，包括一些人力。

5. EO智库观点——边缘计算的挑战；

一方面，网络边缘设备资源有限，难以支持高阶函数计算处理； 另一方面，现有的数据安全方法无法完全应用于边缘计算，网络边缘的高度动态环境也会使网络更容易受到攻击； 此外，由于边缘设备的异构性，数据表示和操作也不同，这将成为数据分析应用的障碍。

此外，边缘计算的概念被怀疑是重新发明这个概念。

随着大数据时代的发展，为了解决云计算中心负载和数据传输带宽的问题，学术界提出了多种将计算任务从云计算中心迁移到网络边缘的技术。 主要典型模型包括：分发数据库模型、P2P模型、内容分发网络模型CDN、移动边缘计算模型、雾计算模型、海云计算模型以及本文提到的边缘计算模型。

上述各种模型概念之间存在重叠和区别。 共同点是基于CAP理论，即分布式系统理论，指导云中心和边缘，实现计算资源、数据通信、存储、能源消耗的综合优化。 任务分配； 各种模型的区别在于实现目的的路径不同。 详细内容请参考参考文献《边缘计算：万物互联时代的新兴计算模型》，作者：史伟松、孙辉、曹杰、孙权。

这可能是一个重新发明的概念，但边缘计算的愿景已经在实现的过程中。 2015年10月，雾计算的支持者成立了开放雾联盟； 2016年，美国联邦政府，包括国家科学基金会和国家标准局，将边缘计算纳入项目申请指南； 2016年10月，首届边缘计算大会在美国华盛顿召开； 2016年11月30日，边缘计算产业由华为、中国科学院沉阳自动化研究所、中国信息通信研究院、英特尔公司、ARM、软通动力信息技术（集团）有限公司联合发起。联盟在北京正式成立。

6、采访附录——人人智能CEO王海增观点（已删除）：

1、安防领域为何会成为AI的落地领域？

首先，安全是一个由政府引导和信息安全共同驱动的领域。

1）政府导向：国家政策是促增长、保稳定，这两个领域将会有更多的投资资金和项目机会跟进。 促增长：促经济增长，其实现在叫稳定经济增长，保持不下降的增速； 国内经济增长的两半，一是与国防军有关，二是与公共安全有关。 其中一半与医疗相关，增幅较大； 保稳定：增加社会保障，与公安类似保稳定。

2）信息安全：重点关注管理和行业隐私需求，称为安全需求。 信息安全——行业内可以，行业外不行。 它被认为是监管层。 在这个行业中，它会把这个行业分为两类，一类是监管者，一类是被监管者。 因此，在数据使用方面，监管者的数据不能被被监管者使用。 这种行业并不是平等交换。 身份证数据和视频数据只能在公安局或特定领域使用，且该数据不能公开共享。 不像互联网强调开源共享。

2.城市公共安全的定义？

1）我认为城市公共安全的定义无论如何都是政府投资建设的行为，指的就是这种城市公共安全。 其投资主体和建设主体由政府主导，实施主体是国家一些专业部门，其用户实际上涉及整个城市群的居民。 最典型的城市公安就是投资主体、经营主体、最终用户几级分离、一级分离的状态。 政治、技术、社会方面的主要定义。 智能建筑、智慧社区安装的视频监控不纳入城市公共安全规划。

2）城市公共安全视频监控分三级建设；

政府主导建设：政府主导+政府出资建设，主要体现在道路街道；

企业主导建设：政府主导+企业建设。 主要体现在酒店、宾馆、大厦，甚至学校。 是政府带领这些单位自己解决，但是这个需要你说，就像银行一样；

个人主导建设：第三级是指不一定是政府主导，而是一些个人，还有中小企业自己建设，也是为了保护自己的家庭或者周围的院子；

数据不兼容+数据量大。 政府通常不会收集和建造它，而是在事件发生后调用它。

3、人工智能在安全中的作用没有发生质的变化，深度学习等智能技术也没有太多本质的变化。 他们只是从一个领域进入另一个新领域。 深度学习提高识别准确率，深度学习推动某些技术接近关键生产状态，从非商业化状态进入商业化状态；

正如车牌识别其实早在2009年就出现了，到现在已经有七八年了。 从一两年的崛起，到三五年的高速发展，再到现在两三年的平缓发展，是一个新技术引进周期智能视频分析，是一个高增长的稳定发展。 发展到一定程度后，就会有一定的知名度。 它会高速发展，这就是车牌识别。

另外，现在人脸识别这么火，人脸识别等智能技术除了本质之外，其实还包括深度学习等智能技术，没有太多本质的改变。 只是一个新领域。 文本识别实际上是机器的事情。 比如人工智能方面，机器识别也是人工智能比较早期的阶段，但是一开始有浅层模型，后面有深层模型。 深度模型还没有结束，后面可能还会有更多。 新型号出现。

那么现在AI在安防方面有多大用处，质变取决于人脸识别，或者是深度模型的质变，我们认为一些成功的变化，质变不能说是太大的质变。

因为人脸识别中间是因为准确率从80%以上提升到了90%以上，但是程度并没有那么夸张。

深度学习给人工智能带来了多大的改变？ 它带来了一些变化，但是这种变化产生了一些新的希望，但我认为没有什么。 深度学习是现在的热门话题。 深度学习给人工智能带来了非常重要的变化，但这种变化推动了一些接近临界生产状态的技术从非商业化走向商业化。 关键是 95% 的准确率。 以前准确率是95%，以前大概80%到90%。 现在它的准确率已经提高到90%。 嗯，我认为深度学习已经将一些技术提升到了可以商业化和深入的准确程度。 我认为这是一个改变。

4、模式识别技术成熟，但能否识别取决于工程条件；

北京共有3.5万个公安摄像头，其中能进行车牌识别的只有2000个，分布在红绿灯路口、普通路口、停车场路口。 车牌识别只能在这三种场景下进行。 查不出来啊人脸识别就是照片比较。 能否识别取决于人脸识别所处的具体场景，以及拍摄的照片清晰度是否合适等，有很多限制和工程条件。 人脸识别适用于人脸识别闸机、人脸门禁、人脸自助服务机等，具有近场易识别的特点，在距离摄像头几米之内也能轻松识别此人。 这与静态或动态无关。 与距离和角度有关。 距离和角度决定了人脸识别的应用场景能否被识别。

5、特定场景、特定摄像头可发挥前端实时车牌识别、人脸识别功能；

用于智能分析的摄像头和用于公共安全的摄像头所占比重只是很小的一部分。 35000个摄像头中，只有2000个是电子警察。 2000个电子警察现在几乎都在前端进行抓拍和处理。 他们只分析捕获后的结果，而不分析视频。 而95%的摄像头无法做这些视频分析，因为它们受角度、距离、光照的影响，不属于近场识别场景。

现在十字路口有三个摄像头，一个用于捕捉车牌，一个用于捕捉面部，一个用于存储视频内容。

前端智能就是对前端捕捉到的这些东西进行实时响应。 比如专门抓人脸的就应该放在前端。 你必须去机房调整参数，因为摄像机旁边有管理服务器或捕获设备。

所以我们在做视频智能分析的时候，不能从传统的商业模式来看待这个分析。 因为传统的商业模式，95%甚至99%的摄像头都拍不出来这些视频，角度不好，场景不对，没办法，我们得专门造一个摄像头来抓人脸。 专门捕捉人脸的应放置在前端，摄像机应与灯光和安装角度相协调。 那么，包括在路边调试、调整、去机房调整参数的过程，摄像头旁边都有一个管理服务器或者采集设备。 所以前端智能就是实时响应前端抓取这些东西。

6、前端计算资源充足，支持特定场景的识别技术；

车辆识别的计算并不复杂，前端就可以承担。 对于一些近场人脸识别，比对数据库比较小，前端智能也能应付。 车牌识别有很多种，人脸识别也有很多种。 根据不同的场景来划分类型。 场景的影响因素包括明暗（光线）、高清摄像头、摄像距离、摄像角度； 特定摄像头+特定场景可实现车牌识别、人脸识别的前端实时识别、分析处理。 目前人脸识别还没有大规模商业化批量使用。 问题是产品也需要一个渐进的开发过程。

前端和前端都可以实现识别功能，但由于计算资源有限，前端适合处理一些计算量小、距离短、计算量适中的计算。 前端识别对视频进行半结构化，方便目标分类和目标检索。 前端功能是通过前端分析对设备和应用场景进行分类，以便智能分析功能能够对场景进行分类。

7、政府每三年更换一批设备，出于维稳业务，而非技术的影响；

设备的寿命周期也是三到五年。 政府的采购周期是每三年更换一批设备。 当一项技术成熟后，三到六年就会被新技术取代。 政府根据其企业目标制定财务规划，如何维持这个目标，如何保持稳定，有技术因素，也有企业管理因素。 业务主导，而不是技术主导，高清只是因为想增加稳定性。