本文来自电子发烧友网，作者/周凯扬。
在人机交互方式上的差别下，如今主流的智能家居产品已经被分成了智能视觉、智能语音和智能触控等产品。而智能视觉产品作为传统视觉方案的智能化延伸，已经成了整个智能家居市场增速最快的产品之一。根据艾瑞咨询的统计数据，2021年国内家用摄像头的出货量就达到了4650万台，同比增长15%。
典型的家用智能视觉产品包括智能摄像机、智能可视门锁/门铃、智能可视扫地机、智能宠物喂食器和智能温变器等等。之所以是智能视觉，在于这些产品不再仅仅提供一个视觉上的交互窗口，而是进而提供主动和智能的交互。所以我们可以看到在竞争激烈的智能家居市场里，不少厂商正在利用上云来突围。
智能视觉AI急需算力突破
智能家居中最典型的一大应用场景就是智能摄像头领头的家用视觉方案，随着传感器和图像处理引擎的性能越来越高，我们已经看到了少量AI应用的落地，比如AI人形监测和跟踪等等。
尽管目前边缘AI的效能在不断提高，但在功耗的硬性限制下，边缘算力的提升仍是有限的，全程交给前端采集的算力并不现实。即便可以部署各种AI解决方案，往往也是比较轻量的AI模型，不一定能够满足所有场景的需求，或是没法达到预期的性能，比如实现车辆、宠物、包裹识别和摔倒提醒等，所以端云协同和流式的AI分析处理就成了不少智能视觉应用的首选。
就拿视觉AIoT厂商积加科技搭建的A4x平台为例，他们就采用了云端异构计算的思路，并自主研发了Uni-Smart流式处理框架，达成了一套AI模型自动化生产流水线，可以完成AutoML、迁移学习、结构化算法训练和推理框架等多种AI负载。
此外，Uni-Smart具备超低的音视频流AI分析链路，全链路延迟平均3-5秒，支持对事件实时报警。在接入他们的智能摄像机产品解决方案后，就能实现全屋智能中的感知、识别甚至是决策。家用摄像机的功能也不再局限于记录，还能做到哭声提醒、辅助看护等功能。
可以看出，单靠端侧的AI算力是绝对无法给智能视觉的应用场景带来突破的，也无法真正实现“主动式”的智能交互。
为什么要掏钱买云存储？
虽然AI已经为智能视觉产品带来了使用体验上的全面提升，其机身也有一定的存储空间，但我们可以看到的一个趋势是，越来越多的家用智能视觉产品开始加入云存储，而且前期掏钱的是厂商，后期掏钱的是用户。
对于智能视觉厂商来说，他们要想拥有一个可靠的AI模型，能够像上面说的一样，做到宠物、老幼人群的特征和事件识别，就不得不去用收集到的大量数据进行脱敏训练，但很多时候数据并非用完就扔，还需进行后续的优化，如何存储这些数据也就是这些厂商要解决的问题，所以云存储的第一笔钱是由厂商自己来掏的。
且不说训练AI模型需要大量的数据量，就连不少智能视觉方案本身，也开始追求大容量的存储，但边缘端存储考虑到体积和功耗的问题，往往不会选择本地存储，所以趋势纷纷转向了云存储。对于家用智能视觉产品来说，云存储也可以作为一种增值服务，也就是用户要掏的这笔钱。
与此同时，对于视觉数据的云存储已经不再仅仅局限于省掉本地存储这一种功用了，就拿我们接触比较多的照片云存储为例，现在这类应用的供应商已经开始着手智能分类和智能检索。比如谷歌和苹果在其相册应用中都有类似的功能，让用户以关键词来搜索照片内容。
反观家用智能视觉产品，需要处理的就多半是视频这种形式了，而且这就更加无法依赖本地算力了。所以在云端的存储方案上，做到存算一体的同时，以安全不侵犯隐私的方式做好智能分类和检索，将为这一增值服务提供更大的吸引力。
小结
由AI和存储这两大需求看来，上云几乎是每个家用智能视觉产品的必由之路。云端计算与存储在赋能智能视觉的同时，用户也会持续订阅云服务这一增值项，这也是智能家居市场未来的一大闭环趋势。模组、方案厂商以及云服务厂商都已经开始建设自己的云平台和云生态，尽快打通上云全流程，才是在深水区里突围的最佳手段。
