電子發燒友網報道（文/周凱揚）在人機交互方式上的差別下，如今主流的智能家居產品已經被分成了智能視覺、智能語音和智能觸控等產品。而智能視覺產品作為傳統視覺方案的智能化延伸，已經成了整個智能家居市場增速最快的產品之一。根據艾瑞咨詢的統計數據，2021年國內家用攝像頭的出貨量就達到了4650萬臺，同比增長15%。

典型的家用智能視覺產品包括智能攝像機、智能可視門鎖/門鈴、智能可視掃地機、智能寵物喂食器和智能溫變器等等。之所以是智能視覺，在于這些產品不再僅僅提供一個視覺上的交互窗口，而是進而提供主動和智能的交互。所以我們可以看到在競爭激烈的智能家居市場里，不少廠商正在利用上云來突圍。

智能視覺AI急需算力突破

智能家居中最典型的一大應用場景就是智能攝像頭領頭的家用視覺方案，隨著傳感器和圖像處理引擎的性能越來越高，我們已經看到了少量AI應用的落地，比如AI人形監測和跟蹤等等。

盡管目前邊緣AI的效能在不斷提高，但在功耗的硬性限制下，邊緣算力的提升仍是有限的，全程交給前端采集的算力并不現實。即便可以部署各種AI解決方案，往往也是比較輕量的AI模型，不一定能夠滿足所有場景的需求，或是沒法達到預期的性能，比如實現車輛、寵物、包裹識別和摔倒提醒等，所以端云協同和流式的AI分析處理就成了不少智能視覺應用的首選。

就拿視覺AIoT廠商積加科技搭建的A4x平臺為例，他們就采用了云端異構計算的思路，并自主研發了Uni-Smart流式處理框架，達成了一套AI模型自動化生產流水線，可以完成AutoML、遷移學習、結構化算法訓練和推理框架等多種AI負載。

此外，Uni-Smart具備超低的音視頻流AI分析鏈路，全鏈路延遲平均3-5秒，支持對事件實時報警。在接入他們的智能攝像機產品解決方案后，就能實現全屋智能中的感知、識別甚至是決策。家用攝像機的功能也不再局限于記錄，還能做到哭聲提醒、輔助看護等功能。

可以看出，單靠端側的AI算力是絕對無法給智能視覺的應用場景帶來突破的，也無法真正實現“主動式”的智能交互。

為什么要掏錢買云存儲？

雖然AI已經為智能視覺產品帶來了使用體驗上的全面提升，其機身也有一定的存儲空間，但我們可以看到的一個趨勢是，越來越多的家用智能視覺產品開始加入云存儲，而且前期掏錢的是廠商，后期掏錢的是用戶。

對于智能視覺廠商來說，他們要想擁有一個可靠的AI模型，能夠像上面說的一樣，做到寵物、老幼人群的特征和事件識別，就不得不去用收集到的大量數據進行脫敏訓練，但很多時候數據并非用完就扔，還需進行后續的優化，如何存儲這些數據也就是這些廠商要解決的問題，所以云存儲的第一筆錢是由廠商自己來掏的。

且不說訓練AI模型需要大量的數據量，就連不少智能視覺方案本身，也開始追求大容量的存儲，但邊緣端存儲考慮到體積和功耗的問題，往往不會選擇本地存儲，所以趨勢紛紛轉向了云存儲。對于家用智能視覺產品來說，云存儲也可以作為一種增值服務，也就是用戶要掏的這筆錢。

與此同時，對于視覺數據的云存儲已經不再僅僅局限于省掉本地存儲這一種功用了，就拿我們接觸比較多的照片云存儲為例，現在這類應用的供應商已經開始著手智能分類和智能檢索。比如谷歌和蘋果在其相冊應用中都有類似的功能，讓用戶以關鍵詞來搜索照片內容。

反觀家用智能視覺產品，需要處理的就多半是視頻這種形式了，而且這就更加無法依賴本地算力了。所以在云端的存儲方案上，做到存算一體的同時，以安全不侵犯隱私的方式做好智能分類和檢索，將為這一增值服務提供更大的吸引力。

小結

由AI和存儲這兩大需求看來，上云幾乎是每個家用智能視覺產品的必由之路。云端計算與存儲在賦能智能視覺的同時，用戶也會持續訂閱云服務這一增值項，這也是智能家居市場未來的一大閉環趨勢。模組、方案廠商以及云服務廠商都已經開始建設自己的云平臺和云生態，盡快打通上云全流程，才是在深水區里突圍的最佳手段。