2026年1月21日，由深圳市公安局、深圳市交通运输局、深圳市市场监督管理局指导，深圳市智慧安防行业协会、深圳市停车行业协会主办的“第十二届智慧城市建设创新发展大会”在深圳圆满落幕。本次大会以“AI引擎 数智共行”为主题，深度探讨AI技术赋能智慧城市建设的实践路径与发展方向，为行业发展持续注入强劲动能。
大会上，深圳人工智能研究院多智能体协作中心研究员李熹鸣现场分享了《智慧安防，从"看见"到"预见"，从"感知"到"认知"》的主题演讲。
以下为李熹鸣演讲实录，智慧安防网作了不改变原意的修改：
各位领导，各位嘉宾，下午好！
非常荣幸能够代表深圳市人工智能研究院，来到今天大会的会场。前面两位行业前辈已经从行业角度，对他们在智慧安防落地的工作做了一些讲解。我今天来，就是从学术的角度，对我们智慧安防整体目前的行业发展做一个综述，做一个概念上的讲解。我今天的讲解主要分为五个部分，接下来将逐一展开。
智慧安防的演进：从人工值守到机器认知
首先，我们来回顾一下智慧安防的发展历程，看看我们是怎么从人工值守进化到机器感知的。
智慧安防的第一个阶段是依赖人力监控，人力监控的好处非常明显，就是很灵活，但劣势也同样突出，它存在监控效率的瓶颈和响应的滞后，还缺乏预警。我们整体的安防是处在被动状态的，没办法识别潜在风险，安全措施往往落后于事件发展，难以实现提前干预。
本质上来说，这是因为人类的注意力有限、易疲劳，所以才会带来监视效率的低下。我们没办法用注意力去长期覆盖海量视频流，没办法分析出广泛的信息，因此会出现响应滞后和漏判的风险，同时还要承担一定的运维成本。
现在，我们的安防行业进化到了AI 时代。AI 赋能之下，对每一个人都有好处。首先从技术角度来说，视频流从存储介质变成了实时数据流，我们在流上就可以进行在线分析，包括检测、跟踪、行为、事件分析，这为我们的智能提供了基础。
深度学习技术可以通过行为意图识别的方式，理解人类动作背后的意图，从而提升整体的判断准确性，扭转被动局面，转为主动。
对于安防人员来说，大家可以把精力从重复盯屏这种持续疲劳的工作中节省下来，专注于更高价值的应急响应任务。
技术迭代的背后，看似是行为模式的转变，实则是更深层次的安全理念的变革。学术上，我们一般把智慧安防的发展阶段分为三步：第一步是模拟监控阶段，这一步依赖人工值守与录像回放；第二步是网络化连接，把信息集合到中枢，实现远程访问与集中管理；第三就是在AI时代，驱动智能分析，从而提升响应速度和准确性。
在这个阶段，我们突破的不但是全天候监控和自动化识别这样的技术瓶颈，更是实现了理念上的转型。我们从被动转向主动，从单点监控转向多场景联合联防联控，从而实现风险前置防控、动态干预，构建起更强大的主动保护体系。
“智” 与 “慧” 的融合：全息感知与认知决策体系
说了过去和现在，现在的智慧安防到底有怎样的特色？我们说，现在的安防实现了 “智” 与 “慧” 的融合，实现了全息感知，是一套全息感知与认知决策体系。
我们可以把智慧安防比作一个完整的人，有手有脚、有眼有脑。这里的手、脚和眼，就是我们所说的边缘智能。边缘智能指的是搭载了智能芯片的巡逻机器人、灯光报警器以及摄像头，这些终端在具备智能的情况下，可以进行边缘计算，在设备本身就可以实现毫秒级别的响应，从而实现设备协同，增强现场的管控能力。
在这背后，我们把整体的响应叫做边缘事件引擎。它通过把连续视频流压缩为结构化的事件流，把事件变成结构化信息，包含事件类型、时间、定向对象ID、置信度、证据片段，从而把后端处理成本降低到可控范围之内，及时处理潜在安全威胁。
我们的信息是闭环的，经历了发现、确认、处置、留痕这样一个闭环采集过程，从而提升事件的还原能力。这样一来，我们就实现了事件的快报推送和应急效率的提升。
除了手眼之外，我们更需要脑部的能力。脑部的第一阶段能力由深度学习带来。深度学习可以让 AI 从目标检测升级为理解行为的阶段，实现对危险动作的智能判别。在高危场景下，我们就可以检测到一些异常行为。
当然，我们还可以防患于未然，这就涉及到多目标跟踪与姿态识别技术。比方说，在一些重点场合识别长时间徘徊的人员，及时发现潜在安全威胁。我们的时序建模算法有较好的多场景适应性，泛化能力较强，可以在一个场景下训练后，应用到多个场景，包括工业、零售、社区这些分布式环境，满足不同场景的行为分析需求。
我们还有一项技术叫做知识图谱，它是用来做认知推理的更高层面的技术。如果说前面的技术更多是在大脑皮层进行反应，那么知识图谱技术，就是要用大脑去进行推理。在刑侦片里常常有这样的场景：一位警官面对数以千计的蛛丝马迹，要从中联系起孤立的事件，挖掘出潜在的犯罪线索。
现在，原本我们用一个小时完成的工作，AI 可以在一两秒钟之内完成。整个数据链条概括来说，从概念上包括整合多元数据，通过图结构关联异常信息，从单点分类升级到图上的关系判断，从而构建起整个事件链条，最后实现智能预警。
价值范式的升级：从风险响应到业务赋能
在解构了如今智慧安保发展的现状之后，我们再来看一看它能更深层次上带给我们什么样的价值。
（一）第一层价值：被动响应
这一层价值是传统安保行业也能满足的，指的是事件发生之后进行报警处置，以及整个事件的善后流程。
传统模式下，我们显著依赖人力作为追踪工具，值班人员需要长时间盯屏监控，记录也以追溯为主要目的，用于事后调取。在整个收支表上，它更多是系统的支出部分，是我们不得不承担的、为维护系统稳定所要支出的成本，缺乏价值输出，缺乏回报和量化的价值。
（二）第二层价值：主动预防
到了今天，智慧安防可以提供更多价值，这是第二层价值。它可以带来基于风险特征的实时预警与自动化干预，这就是我们前面提到的智慧安防特色所带来的成本效率转化，能够显著降低 MTTD、MTTR 这些平均发现时间、平均处置时间的指标，提升人力替代率。
（三）第三层价值：业务融合
在现在或者不远的将来，智慧安防还可以提供第三层价值，叫做业务融合。在如今的数据时代，数据就是黄金，而安防行业则是挖矿的黄金矿工。
华人AI 教母李飞飞说过，AI 最终要发展成一个世界模型，而世界模型需要世界的数据。我们最广泛布置的终端，其实就是安防行业的每一个摄像头、每一个门禁、每一个机器人。
所以，安防行业在这场数据革命之中，其实可以发挥更大的作用，产出更多的价值。这一层价值，就来源于安全数据反哺城市治理、工业生产和商业运营。
核心应用场景：跨域协同智慧安防实践
这三条就是我们核心的落地路径，核心的应用场景，不但是单一领域的，更是跨领域的协同和智慧安防的实践。
（一）城市治理：人流车流分析助力交通调度与重大活动安保
城市像一个有机体，车流和人流就是血液，要实现对人体的健康管控，当然要进行血检。我们的智慧安防就是血检的医生，我们可以进行动态的流量检测，对事件的发生进行预警响应，同时完成我们作为控制中枢这一层的价值，进行资源的优化调度。
（二）工业安全：工人行为合规监测与厂区物流路径优化
在工业场景下，我们可以通过安全巡检升级、智能预警联动、AI 行为识别的方式，融合算法与数据动态分析，从而识别拥堵点，优化调度方案，提升工厂内物资物料流转的效率。
整合安全事件和生产运行的日常数据，我们还可以搭建一个统一的数据化平台。未来，每一个企业都会有自己的数据库，每一个企业都可以用这些数据提升自己的效率，从而推动企业管理层从依赖经验判断，转向基于数据的科学决策，提升企业决策的准确性，也提升社会整体的运行效率。
（三）商业零售：顾客动线热力图与停留分析驱动精准营销
在商业零售行业，安保的作用以前传统来说，只是作为预警，预防违法犯罪事件发生，而现在，它也可以创造商业价值。
它可以通过视频分析捕捉客户的行走路径，生成动态动线图，也可以基于停留时长和密度绘制热力图，发现商品区吸引力和客流聚集点。
有一个很经典的案例：售货员发现，父亲在购买婴儿纸尿裤的时候，往往会顺便购买啤酒。这种关联是人类在逻辑上很难作出判断的，但 AI 可以在海量数据、海量视频信息中，准确捕捉到客户停留和购买商品之间的关联，从而实现更多类似的、提升效率的商品布局优化案例。这样，我们就实现了从安全数据转化为商业洞察，优化陈列布局、促销策略和人员调度。
（四）社区关怀：独居老人异常行为识别与主动关爱机制
第四个场景，是在适老化这个社会整体背景下提出来的，就是独居老人的异常行为识别和主动关爱机制。在这个场景之下，我们通过异常行为识别和智能预警响应，同时注重隐私安全保障和人文关怀设计，实现居家安全防护。
挑战应对与未来趋势：可信可持续的智慧生态
最后，我们站在今天展望未来，简单看一看智慧安防的走向和即将发展的趋势。
（一）坚守隐私红线：通过联邦学习、边缘计算实现数据合规与价值平衡
坚守隐私红线，需要这么几个技术支撑：首先，要严格遵循数据采集最小化原则，设计好标注与抽样策略，对模型漂移与性能进行监控，杜绝过度采集。
第二，通过边缘计算，让敏感数据在本地设备完成分析和处理工作，边缘侧主要负责推理和特征提取，只上传事件与匿名特征，从而降低隐私数据的泄露风险。
第三，通过联邦学习协同的方式，进行多节点的联合训练，不共享原始数据，只共享参数的更新，从而实现隐私保护与智能提升的双向双赢。
（二）打破系统孤岛：推动开放架构与行业标准促进平台互联互通
各大厂商生产的数据格式有区别，现在我们有了比较统一的行业标准，也就是 GA/T 1400 这个标准，它能确保数据格式统一和平台互联互通。
同时，目前新生产的设备可以采用ONVIF 等开放协议，实现多厂商设备的即插即用，打破信息孤岛，构建模块化的信息生态。
（三）建立全生命周期运营：从交付项目转向持续优化的服务长跑
说白了，其实就是让我们持续训练算法，让客户持续感受到服务的提升，通过模型监控、灰度发布与回滚机制，形成越用越智能的良性循环。让厂商和客户共建运营机制，让系统越用越高效，让客户越用越舒心。
（四）未来三大技术趋势
简单总结一下未来的三大技术趋势：第一是边缘云协同，边缘部分负责毫秒级响应，云端负责更大型的工作，包括跨域推理、策略生成，两者通过事件流和策略回灌形成闭环态势。
第二是升级AI 的多模态能力，让 AI 从 “识别是什么” 升级到 “解释为什么有风险、建议怎么处置”，让指挥从信息过载走向每一条信息都能有效服务于决策。
第三是数字孪生技术，所谓数字孪生技术，就是通过数据搭建起物理世界的三维模型，像李飞飞所说的那样，构建物理世界的三维模型，支持现有事态下的仿真推演和可视化指挥，从而提升态势感知能力。
三大技术协同，短期内我们可以预见实现自动化处理事件的目标；中期可能实现策略推荐与人机共决策的目标；长期发展来看，就是实现边界条件下的可控自治，达成完全自动化的目标。
今天非常荣幸来到这里，代表深圳人工智能研究院多模态智能联合中心做这样一个分享，非常感谢大家的聆听，谢谢！
