专访旷视科技：千年建盏的溯源智能化背后，算法量产是解决AI算法落地的一大路径( 二 ) 作者

基于“算法量产”理念和AIS算法生产平台，并通过借鉴许多在其他生物认证识别上的经验，旷视团队迅速完成了建盏溯源算法的原型开发，并验证了可行性。
简单来看，这套AI建盏溯源系统细分了大量的子方向和算法，包括建盏的定位、检测、质量判断，以及最重要的纹理识别。另外针对釉面材质的反光，旷视研发了一个专门的硬件设备，形状像一个封闭的盒子，并内置可控制的光源，只要将刚出窑的建盏放进盒子里打光拍摄，就能够从物理层面大大解决常规拍摄的严重反光，导致信息丢失的问题。

文章图片
旷视AI建盏溯源系统
与此同时，通过2D图像的检测和细分特征识别，旷视只需要对建盏进行多个角度的拍摄和提取特征，就能捕捉到整只建盏的3D结构信息。
旷视AI建盏溯源系统的诞生，不仅实现了“一盏一图、一盏一码、图码结合” ，对兔毫、鹧鸪斑、曜变等类型建盏达到95%以上的识别准确率，还可支持移动端快速鉴别建盏的真伪。这对推动建盏产业的规范化和数字化升级，提供了一套行之有效的解决方案。

文章图片
旷视AI建盏溯源系统支持移动端快速鉴别建盏
周而进告诉36氪，如今这套系统已基本能做到在正常光照环境下完成拍摄任务，但也存在不少迭代改进空间，主要集中在算法演进和识别准确性上。一是将继续提高系统对更多光照环境的适应性，让用户的拍照角度更随意；二是逐步优化系统对特征不易观测的建盏（如单色黑釉）的识别准确性。
对旷视团队来说，这是他们将AI算法落地到非物质文化遗产保护的第一步。
“从技术角度看，建盏背后的整个算法生产模式和技术，可以被复制到许多类似非遗保护的产品上。更广一点说，做物品的鉴定、身份确认等工作，背后的技术原理是相通的。 ”周而进说。
02、基于“算法量产”解决大规模算法落地问题
实际上， AI建盏溯源系统只是旷视“算法量产”理念在落地过程中的一个侧影。至今，旷视已帮助能源、教育、零售、运动健身等领域的客户实现了技术在日常生产和经营中的应用，达到降本增效的效果。
例如，旷视开发的明厨亮灶算法已在10余座城市的学校落地，保障学生用餐安全；基于MegEngine框架，并通过“算法量产”和AIS生产平台，旷视为某油田提供了烟雾检测、火焰检测、油品泄漏、配电室未佩戴绝缘手套等多项AI算法，通过“危险化学品视频分析智能预警系统” ，提升其日常安全监管工作效率。
透过“算法量产”理念，我们不难看到旷视对当下AI行业落地产生的新思考。
“大规模算法落地本身是一个系统问题，真正难点在于这个系统的复杂性。 ”周而进谈道，目前各行各业都有算法在不断融入，但真正能解决问题的算法仍供不应求，整个AIoT市场的算法供给面临行业数据匮乏、算法通用性低、IoT设备繁杂、Software2.0的挑战、算法供给质量参差不齐等五大挑战。

文章图片
AIoT市场算法供给面临5大挑战
为了解决这些问题，目前玩家通常采用定制化开发、预训练大模型、云端AI开发平台等不同方式进行算法生产。除此之外，一直以来的算法生产模式为“需求-数据-模型-部署” ，该模式要求研究员具备非常高的综合能力，整体生产流程存在分工难以明确、全能型人才稀缺、培训和人才储备成本高昂、经验无法沉淀成方法的难点。