手機配上攝像頭后，在最近十幾年的時間里，攝像頭的像素從30萬到100萬、200萬、500萬到1000萬，直至有超過2000萬像素的攝像手機的出現(xiàn)；攝影功能日漸強悍的手機首先讓傻瓜相機銷聲匿跡，而家用數(shù)碼相機的市場也被日漸蠶食，岌岌可危。

 

　　像素越高，手機功能越強大，但是在手機像素越過2000萬門檻之后，各大手機廠商比拼像素量級的游戲玩不下去了。

 

　　在美國工作多年的資深視頻處理專家單記章告訴第一財經(jīng)記者，單個像素的尺寸從2004年的5.6微米，越做越小，現(xiàn)在已經(jīng)達到1微米的極限，在手機有限的物理空間里，靠擴充像素提高圖像質(zhì)量基本上走到了盡頭。

 

　　攝像頭在硬件上碰到天花板后，要讓競爭持續(xù)下去，視頻技術(shù)公司開始在軟件和視頻數(shù)據(jù)處理優(yōu)化上為手機公司找到產(chǎn)品新的賣點。

 

　　攝像頭新舊事

 

　　攝像頭的運用最早是在電腦上?，F(xiàn)任黑芝麻智能科技有限公司（下稱“黑芝麻”）CEO的單記章經(jīng)歷了攝像頭從電腦運用到手機的完整周期。

 

　　“當年，我們的產(chǎn)品上市了，從賣得不錯到無人問津，不過短短幾個月的時間。”回憶起17年前在硅谷的工作經(jīng)歷，單記章很是感慨。

 

　　彼時，單記章所在的Omnivision（豪威科技）正在嘗試將攝像頭放入電腦中，以供消費者拍照并分享。

 

　　電腦攝像頭市場卻沒有預期的火熱。單記章告訴第一財經(jīng)記者，PC端攝像頭遭到冷落，主要是因為當時的網(wǎng)速太慢，照片無法傳出去、無法分享。“所以我們考慮轉(zhuǎn)戰(zhàn)移動端。雖然速度也不快，但至少（手機）是能傳出去的。”

 

　　2000年9月，日本手機制造商夏普發(fā)布了世界上第一款帶有攝像頭的手機J—SH04。而Omnivision正是這款手機的供應(yīng)商之一，雖然那時的攝像頭僅有11萬像素而已。

 

　　此后，市場逐漸被打開。單記章對比了當時的出貨數(shù)據(jù)，“之前的市場上，我們的出貨量只有1k+1k；后來就變成了一天3kk，一年相當于十億顆。”（編者注：1k為一千，1k+1k是兩千，1kk是一百萬）據(jù)介紹，Omnivision曾在全球圖像傳感器市場占有高達40%的份額。

 

　　市場研究機構(gòu)IDC最新預計，2017年，全球智能手機的出貨量將達到15億部，到2021年，預計將增長至17億部。

 

　　每一部智能手機基本上都有幾個攝像頭，僅僅手機對攝像頭數(shù)據(jù)處理的需求，就是一個無比龐大的市場，單記章選擇離開Omnivision，而當年的中學同學劉衛(wèi)紅離開一家世界500強企業(yè)，選擇與他一起創(chuàng)業(yè)，圖像市場的巨大前景是至關(guān)重要的一個考慮因素。

 

　　攝像頭背后的圖像傳感器與應(yīng)用處理市場，并不僅僅是局限于手機領(lǐng)域。隨著人工智能產(chǎn)業(yè)的發(fā)展，從圖像的獲取、傳導到計算、理解、反饋，再到應(yīng)用層面的倉儲物流、智能駕駛，圍繞在攝像頭身前身后的生意模式正逐漸走來。

 

　　所謂的圖像感知，是人工智能的一個重要細分領(lǐng)域，是計算機對圖像進行處理、分析和理解，來感知并識別不同的目標。

 

　　第一財經(jīng)記者梳理發(fā)現(xiàn)，在前端捕捉深度信息，后端處理并理解復雜數(shù)據(jù)，最后反饋從而進行決策，成為圖像感知產(chǎn)業(yè)活動中的一個循環(huán)。

 

　　正是在這樣一個循環(huán)流程中，誕生了大量初創(chuàng)企業(yè)，它們以自己掌握的硬件或算法為核心，提供軟件或軟硬一體化的產(chǎn)品，以期撬動產(chǎn)業(yè)金礦。

 

　　平安證券發(fā)布的《人工智能圖像識別專題報告》顯示，截至2016年初，在所有AI領(lǐng)域的企業(yè)中，聚焦于圖像感知的公司數(shù)量總計有185家，僅次于最火的機器學習。而其截至2016年初的累計融資總額更是超過了11億美元。

 

　　和單記章一樣，敏銳的企業(yè)家們小心翼翼地打量著這個龐大的市場，試圖從各個垂直領(lǐng)域切入，尋找著更進一步的可能。

 

　　從捕捉到理解

 

　　刷臉支付、機場自助通關(guān)、物流自動分揀、無人駕駛等都是圖像感知技術(shù)快速普及的一個縮影。在這樣場景的背后，是越加成熟的技術(shù)和越發(fā)準確的識別率。

 

　　據(jù)第一財經(jīng)記者了解，在ImageNet比賽的圖像識別中，對象分類項目的準確率已經(jīng)從2010年的72%提升到了2016年的97%。那么，如此之高的準確率是如何實現(xiàn)的呢？

 

　　無論是深度攝像頭、AI芯片，還是基礎(chǔ)算法、神經(jīng)網(wǎng)絡(luò)，在圖像感知產(chǎn)業(yè)鏈上，一切都是為了兩個目的而服務(wù)的：更好地在前端捕捉深度信息，以及更準確地在后端處理并理解數(shù)據(jù)。

 

　　“如果前面獲取的圖像壞了，或者糊了，那后方如何針對圖像進行分析呢？”單記章問道。

 

　　的確，在圖像捕捉的過程中極容易受到外界的干擾與影響，較上述物流領(lǐng)域更為復雜的情況比比皆是，比如自動駕駛：需要應(yīng)對山洞內(nèi)外的不同光信號強度、車身抖動甚至極端的霧霾及雨雪天氣。“晚上很暗，雨飛來飛去、雨刷刮來刮去，這個時候怎么看清楚；大太陽照在攝像頭上，人眼都看不見，這個時候又如何判斷。這些都是圖像捕捉中的難點。”單記章表示。

 

　　此時，就需要加強數(shù)據(jù)的預處理，其目的就是加強有用的信息，改善圖像質(zhì)量，便于對圖像進行后期的處理分析。單記章透露，懸掛的攝像頭容易來回晃動，他們曾做過一個防抖的優(yōu)化方案，不僅增強了畫質(zhì)，還提高了設(shè)備的使用壽命。

 

　　另一方面，相比前者捕捉圖像需要應(yīng)對各種突發(fā)因素，后者的處理分析看似更加簡單。但往往這種情況下的計算更為復雜。

 

　　單記章告訴記者，刷臉技術(shù)用人工智能、神經(jīng)網(wǎng)絡(luò)來做，識別率都能達到99%以上，很難出錯。但是很多技術(shù)無法抵御蓄意的攻擊，比如讓機器判斷是真人、照片還是視頻或者模型。這時候，如何實現(xiàn)生物特征的判斷非常重要。

 

　　比如，當開車遇到前方有物體時，在判斷該物體的車道、速度、方向等因素之外，還需要判斷這是個路樁，還是輛車，或者是個人。“復雜環(huán)境下，需要對場景進行理解，是人是車結(jié)果一定是不一樣的。”單記章稱。

 

 

　　“如何應(yīng)對不斷上漲的計算量是圖像處理中最難的部分之一。”圖漾科技副總經(jīng)理徐韜向記者透露，960P的深度攝像頭如果想要更進一步做成1080P的話，換一個基礎(chǔ)攝像頭其實并不難，但精度的提高將導致計算量的大幅上漲，把握如此之高的計算量才是難點。

 

　　事實上，在圖像感知領(lǐng)域，硬件的難以突破由來已久，即便是在整個人工智能的發(fā)展歷程中，硬件的計算能力不足始終是制約其發(fā)展的瓶頸之一?？煽少Y本合伙人李笙凱在接受第一財經(jīng)記者采訪時表示，雖然深度學習和GPU的利用對視覺硬件的處理計算能力有很大的提高，但怎么進一步提高到可用的程度，市場上還始終沒有明確的解決方案。

 

　　單記章對此表示認同，他認為這是一個系統(tǒng)工程，一方面要提高硬件的計算能力，提高算法的適應(yīng)能力，同時也需要有創(chuàng)新的整體解決方案。他以不同時間開車為例，“在傍晚時太陽平射過來，攝像頭需要減少光強和炫光，而晚上又需要盡可能接受最多的光，還要解決對面大燈的照射問題，這里就需要結(jié)合光學、攝像頭和圖像處理技術(shù)，在此基礎(chǔ)上采用機器學習的方法，才能從系統(tǒng)的角度更有效地解決端的計算能力不足的問題”。

 

　　另一方面，單記章認為，現(xiàn)階段的很多硬件在物理上已經(jīng)達到極限，難以升級，比如圖像傳感器。“由于載體本身的大小限制，攝像頭需要做得很小，這就導致傳感器的感光點也越做越小。有人研發(fā)還在做0.9微米，但這個性能已經(jīng)很差了?？窟@些東西提高也會有一定的空間，但是真的非常難。”

 

　　“圖像感知技術(shù)正處于發(fā)展階段，還有很長的路要走，比如軟件算法也還需要5——10年甚至20年的積累突破。”李笙凱對記者表示。他認為，行業(yè)的技術(shù)壁壘和應(yīng)用壁壘一直都存在，市場的完全爆發(fā)還需要兩到三年的時間。

 

　　不過，也正是因為存在這樣巨大的發(fā)展空間，潛力才得以凸顯，可能才得以孕育。這些在行業(yè)中耕耘多年的從業(yè)者，他們擁有最專業(yè)的眼光和最敏銳的嗅覺，有心證明他們的堅持并非一場豪賭。

 

　　是不是豪賭無從得知，但正如李笙凱對當下的判斷：優(yōu)化已有的技術(shù)，以滿足市場的剛性需求，是這個行業(yè)最困難的痛點，亦是最敞亮的通道。