“我们这里距离五道口地铁站其实也有500多米吧，这个画面其实是非常不清晰的，但是你看画面中一些大的结构化信息还是能够比较精准的进行识别。”

看到几位“媒体老师”脸色不太好看，小姐姐又赶忙解释说这个视频信息他们是不保存的，只用作一次性的展示，而且也不会识别到具体的某一个个体。

和商超合作的客流分析系统

除此之外，还有一些更为深度的应用，比如通过一张卫星图片，24小时更新全北京的路网；通过一段视频，自动标记公路上的路面伤情；这个商圈人流分析系统，能看到每个顾客先逛了啥，后逛了啥，还能分析出顾客在买什么东西的时候最纠结……

通过车载摄像头录制的移动视频，atv，迅速对一个路段内的所有路面损伤进行标识

比起“wow，这个技术好牛x啊”，大家的感叹更多的是“wow，原来图像、视频识别，深度学习和人脸识别，还能干这个事儿？”

这似乎与之前外界的印象有些不一样。

人工智能商业化，其实是一个重新定义问题的过程

在商汤北京办公室里展示的每一项Demo，都是已经商业化，并有客户在使用的实际场景。

这与商汤科技此前给人的“独立研究院”“不够商业化”甚至是“方案卖不出去”的刻板印象有比较大的反差。

在商汤科技CEO徐立看来，已经跨入工业界的人工智能技术人，最重要的任务已经不再是“提升技术”，而是“定义问题”。

在学术界做研究，很多时候是不需要定义问题的，因为学术命题在很长时间里是固定的：

要识别一个人脸，开始研究，出了雏形之后不断刷新准确率。刷到一定程度之后刷不动了，再提出一个新的问题，能不能识别动态的人脸。新问题出现之后把成绩打回去重新刷。

用1.5小时用卫星图片更新路网

但在应用领域，企业、市场、用户和政府提出的问题是复合型的问题，比如：公安机关提出的一个需求是用人脸识别来抓逃，其实满足这个需求所需要的关键技术不是人脸识别。

大多数人可能会觉得是一个非常清晰——不就是把支付宝、微信人脸解锁的那一套用在监控摄像头上吗？但其实不是，这个需求非常模糊：嫌疑犯的现成画像有没有、摄像头够不够清晰、嫌犯有没有化妆、网络基础设施能不能承载大规模的数据传输等等……

在多年以前，某市为了抓捕一个特大案件的逃犯，甚至一度导致本地移动硬盘卖脱销——因为全市的摄像头24小时的监控视频文件都要靠人力的方式拷出来汇总到专案组，然后在由专案组成员肉眼识别。

为了能替代这一过程，“人脸识别”一个技术显然是不够的——因为监控摄像头拍摄的距离和拍摄的像素远没有达到人脸识别的要求。

先按嫌犯的生理特征进行筛选，比如年龄、性别、身高、体重等进行广域的筛查。然后再对嫌犯可能的行动轨迹进行追踪，找到符合嫌犯此前行动的一些个体，再对这个小范围的人群进行追踪式的监控，不仅能够解放人力，还能减少对算力的需求。

这个将具体应用问题拆解成多个技术问题的过程是“重新定义问题”，在重新定义问题之后再重组技术解决方案是商业化的另一个关键。

同样是在监控摄像头上做功夫，与“抓逃”这个最终落实到个体的需求不同，预防可能存在的公共安全问题则是另一套完全不同的逻辑——自2014年上海外滩跨年踩踏事件之后，所有大型活动的组织者其实一直在寻找一种解决大人流量场所安全问题的方法。

人流监测和预警