迟来的家庭安全大脑，360 为何拖延了大半年？

摘要：事后查证变为事前预警，边缘计算设备如何做好无人值守？

若不是回想起今年 3 月，周鸿祎在 360 的 IoT 主场，提出家庭安全大脑的概念，近乎支离的记忆恐将被冲蚀殆尽。春去秋来，距离那场发布会整整过去了 7 个月，360 家庭安全大脑才从抽象概念落向实体产品。

而毗邻发布会现场的深圳会展中心，恰逢一年一度的安防博览会。360 IoT 创新产品部业务负责人孙浩表示：「在安博会期间发布这样一款产品，不是为了强调家庭安全大脑的概念，占领战略上的制高点，而是希望借助边缘计算，解决实际的落地场景中，那些尚未满足的刚需。」

360发布安防类硬件产品——家庭安全大脑旗舰版 ｜ 360

家庭场景下的AI 保安

360 正式切入家庭安防领域，要追溯至 2014 年 6 月，小水滴摄像机的发布。其后，户外摄像机、云台摄像机、智能门铃等产品，以及相关的智能安防套件陆续推出，使 360 家庭安防类的产品阵列趋于完善。

五年间，360 累计服务了近 2000 万的智能摄像机用户，日均收到的看家消息提醒达 2.7 亿条。在视频领域的人工智能算法研究方面，360 共申请了 150 条的算法条例，并获得了 ImageNet 视觉识别冠军。

从最初追求 警的准确率、实时率和无丢失数据等提醒工作，再到逐步把人工智能算法引入到软件服务中。随着产品功能的不断完善和进化，360 在家庭安防领域的市场角色，从单纯的硬件制造商，向综合服务的提供者贴近。根据 360 家庭安防产品的用户画像显示，60% 是用于看家，46% 用于看孩子，28% 是用于看老人。截至目前，360 累计收到的儿童呼声 警达 1060 万，人形判断达 8800 万，人脸识别接口的调用次数达 6700 万。

360安防业务线在过去5年来的成果积累 ｜ 360

这些数据的背后，是安防类设备搭载的视觉传感器和智能家具传感器，演化为以视觉和触觉为主的感知系统。

周鸿祎曾指出：「市面上 80% 的硬件还不是真正的智能硬件。真正的智能硬件需要连接人工智能、大数据，做到协同计算。很多公司在协同上做得不错，但并没有很好融入边缘计算。」现有的形式带来了很大的局限性，即端侧的产品存在局限，智能硬件受到功耗的限制，没有办法在端侧做强，只能做简单的基础功能。

端侧能力的受限，使得设备之间只能完成协同，更多的运算和处理工作，交由云端服务器来完成。「但云端会受到数据源限制，单日的数据负荷需要消耗数目惊人的带宽成本，其中包含有日均近亿次的人脸调用成本」，孙浩补充道。

仅凭早期的云端 AI 模式，很难提供完美的解决方案。「既然 AI 智能驱动了产品化服务，那么以图象识别为核心的安防类设备，应该在端侧实现对 AI 能力的再升级」，孙浩表示。

2019 年年初，在家庭安全大脑发布之前，360 发布了基于端侧 AI 的云台摄像机。通过对端上的数据进行分析，在人形追踪方面，端侧 AI 的云台摄像机通过人形跟踪 2.0 降低了失败率，及时性提升了 30%，同时在端上采取了基于人脸的图片筛选，挑选识别率最强的画面，使人脸识别率达到 60%。

不过，尽管端侧更加靠近数据中心，不存在带宽的限制，但它没有办法对多路的数据进行融合计算和处理。这时，业内注意到了边缘计算。「如果在端侧整合边缘计算，把多路的数据进行融合，依据高可靠、广连接、低延时的特点，端侧设备的市场空间将更加开阔。」

孙浩判断，安防领域目前存在一系列拐点，其中之一就是，「算力的爆发，对产品形态的改变」。

作为面向家庭场景的视频边缘计算设备，360 家庭安全大脑需配合传统的摄像机使用。其采用了海思公开对外发布的旗舰级安防处理器，可达到每秒 4TOPS 的 AI 算力，能够对视频进行实时分析解码，在边缘对人脸进行实时捕捉和分析。

360家庭安全大脑的参数配置和核心能力 ｜ 360

从底层技术来看，传统安防和家庭安防在人脸识别技术上高度重合，但不同场景的产品需求各异，进而使其在功能逻辑上差异化明显。

传统安防是面向有人职守的场景，「画面分屏+有人职守」的模式有安全隐患。而智能视频分析盒和智能摄像机虽然对算力进行了升级，通过对人脸人形抓拍、车辆识别等视频分析提供结构化的视频存储，但其存储规则没有摆脱纯记录的形式，「一旦有事件发生，视频监控发挥的作用还是用于后续的查询取证，」孙浩坦言。

因此，360 家庭安全大脑要解决家庭户外的安全问题，基于边缘场景规则引擎做事件分级，把事后查证变为事前预警，从有人职守变为无人值守。「设备不仅要实时记录，还要在边缘侧对家庭摄像机进行实时的分析和处理，具备实时预警的功能。」通过边缘计算，为用户提供 7×24 小时的家庭 AI 保安，这是家庭安全大脑区别于以往产品的本质改变。

边缘侧的爆发和差异化需求

从 3 月 28 发布家庭安全大脑的概念，到 10 月 28 实体产品的推出，拉长产品时间轴的主要原因，主要是牵扯到诸多算法的调试和优化工作。「好不容易完成了模型裁减和适配，又要解决照明率水平只有 30% 的问题，」孙浩说明道。

这些意想不到的棘手问题，让工程师团队一度陷入困惑。在算法几乎零代差的前提下，数据性越佳，机器的表现就越好。而客观问题在于，很多第三方数据来自公共安防场景，算法和数据的水土不服，令模型调优的工作变得异常很难。

这半年来，团队的精力主要花在了软件迭代，针对产品规则的探索和改进。按理来说，人员密度低，人形检测完整是家庭安防场景的独特优势，人脸识别的算法难度低于公共安防，但 360 家庭安全大脑首批产品公测之后，通过数据标注的发现令人惊愕：人脸的检测比例竟低于 1%。

原来，公共安防的设备一般安装在地铁口、电梯口的位置，而家庭安防的户外设备，由于摄像机数量有限，为了满足全覆盖无死角，调高了安装高度。加之光线的差异，再成熟的人脸算法置于这种条件下，也很难发挥出实际效率。

不仅如此，基于家庭安防场景的特点，倘若算法和规则不能很好地对人员进行处理，事前预警的机制，很有可能给用户带来干扰，极易形成「狼来了」的效果。

边缘场景规则引擎的三种事件分级 ｜ 360

为了解决这一问题，研发团队运用了突破性技术——Re-ID 算法。它具备以图搜图的能力，实现画面融合，精准追踪。摄像头在看清人脸的情况下，根据衣着和形体在不同的时间，把相近的摄像机进行快速的检索，降低了查证的成本。

虽然边缘计算设备的算力高于端侧，但是基于场景和成本的限制，即便拿到很多知名厂商的设备和海思芯片，算法的极限只能处理 8 路视频。其核心问题在于，大量的 AI 功能来自云端，模型的裁减做得不充分，导致算法在云端处理得很好，导入边缘设备后出现了问题。

因此，云端模型要经过深度的裁减。技术团队做了两件事情：分层调离和分层调用。算法只选择人脸正向的清晰画面，再充分利用边缘计算的算力进行实时分析，最终实现了边缘侧单机 16 路 1080P 高清视频实时解码分析处理。

家庭安全大脑在家庭安防领域的四大细分场景 ｜ 360

通过人脸的调用，利用算力在单个视频的实时解码和计算，360 把自身能力与第三方能力相结合。基于这样的认识，360 对底层场景进行封装，打造了一个相对灵活的边缘场景的规则引擎。通过规则引擎进行事件分级，区分哪些事情只要记录，哪些事情需要提醒，哪些事情要进行 警。而这套边缘规则引擎可以面向场景做到自我学习，随着数据的积累做更加细分的处理。

以往，360 每次产品发布后，大概率会在次日 10 点上线京东商城。但这次不同以往，不仅安全大脑这款产品的售价没有对外公布，而且销售渠道也从 2C 转向 2B，以家装服务品牌为主，最终的落地价格需要以具体的安装和打包服务为准。孙浩表示，360 家庭安防业务已经转向线上线下双引擎驱动模式，计划未来 3 年内，扶持超过 100 家核心代理商，这些代理商在家庭安全大脑产品的销售中，也将提供值得期待的助力。

360将智能带入边缘，用数据连接云端，最终融入场景，解决刚需 ｜ 360

「边缘计算虽然呈爆发趋势，但现阶段的成本还没有降下来，所以首款家庭安全大脑的产品定位偏向别墅庭院的高端用户，他们对产品成本的不太敏感，」孙浩介绍，360 家庭安全大脑旗舰版定位于专业型设备，第一步的产品落地，最重要的意义在于「把场景做扎实」。

当然，旗舰级产品并不意味着 360 放弃了「普惠的 AI」。孙浩透露，360 家庭安全大脑的普通版正在研发，兼具室外和室内的全天候安防能力。此外，「360 安全大脑不止于家庭。」通过边缘端打造的 AI 细分场景智能引擎，是这类产品的核心。接下来，360 内部团队将与兄弟团队配合，把数据融入云端，更多的安全大脑设备将通过「产品+刚需」的方式实现落地。