深度 - 当监控摄像头有了AI大脑，是福还是祸？

我们常将监控摄像头视作电子眼，对此，人们的看法各异。一些人认为它们是监视我们的工具，而另一些人则认为它们帮助我们更好地观察周围环境。实际上，监控摄像头更像舷窗——只有当人们通过它们观察时，它们才真正发挥作用。多数情况下，这些摄像头是被动的观察者，仅在需要时提供画面，例如在磁盘录像中查看现场情况，或是在出现问题时提供线索。你的汽车被盗了？那么去查看闭路电视监控吧。

这一状况正在经历翻天覆地的变化——且速度越来越快。人工智能为监控摄像头注入了数字大脑，使得它们无需人力参与即可自行分析现场视频。这无疑为公共安全带来了福音，帮助警察和第一目击者更容易地发现犯罪或事故，同时也在科学和工业领域找到了广泛的应用。但这同样引发了关于隐私和社会公平的严重担忧。

想象一下，如果通过闭路电视系统追踪大量人群会怎样？如果警察仅通过上传侧面照片，就能在城市中跟踪你，这将是怎样的场景？又或者，在购物中心里运行的摄像头，因为运行带有偏见的算法而通知警察不喜欢某一类型的年轻人呢？

虽然这些情况可能还离我们有一段距离，但我们已经开始看到人工智能与监控结合带来的后果。以IC Realtime为例，他们的旗舰产品被誉为闭路电视界的Google。其中的Ella应用程序及网页平台利用人工智能分析视频中发生的事情，并提供及时搜索功能。Ella能识别成千上万种自然语言查询，用户可以搜索镜头来找到特定的片段，如呈现特定动物、穿着某种颜色衣物或单个车型的画面。

在演示中，IC Realtime的首席执行官Matt Sailor展示了Ella如何与数十个摄像头连接，对一个公园进行监控。他输入了各种搜索内容，如“红衣服的男士”、“UPS火车”、“警车”，在几秒钟内就得到了相关的影像片段。然后，通过限定时间和地理位置，他缩小了搜索范围，并展示了用户如何表达赞成或反对意见以优化结果——这类似于Netflix的操作方式。

例如，某地发生事件后，可以通过Ella输入相关描述，如车辆的特征信息，来追踪嫌疑车辆。屏幕上开始显示滑过的多辆疑似车辆的画面。这是人工智能和闭路电视结合的一大优势：更容易找到你要寻找的内容。如果没有这项技术，除了摄像头录下的画面，其他一无所知，需要连续数小时观看影像进行筛选。

Ella在Google Cloud上运行，适用于几乎所有的闭路电视视频系统。从单个摄像头系统到拥有成千上万摄像头的企业系统，Ella都能轻松应对。用户只需每月支付费用，费用根据摄像头的数量而有所增长。虽然IC Realtime的目标受众主要是各类企业，但它也认为这一技术能够吸引个人消费者。随着安防摄像头的广泛应用，如亚马逊、Logitech、Netgear和谷歌旗下的Nest智能家居等产品已经深入普通家庭。但Sailor表示这些家用摄像头的技术相对基础，无法区分移动物体是闯入者还是鸟类等。这种情况不会持续太久。一些公司将人工智能直接嵌入硬件中，如Boulder AI这家初创企业就在推出“视觉即服务”。它们的独立人工智能摄像头可以根据客户需求量身定制机器视觉系统。这些应用已经遍布各行各业，包括银行业、能源业等。甚至有一个应用专门用于观察披萨的形状和大小是否合格。同时也有应用在环保领域的情况出现——例如用于监控鱼类数量的例子引起了广泛关注。这种将人工智能与监控技术相结合的应用方式无疑将带来更多便利和可能性但同时我们也需要对其可能带来的风险保持警惕并采取相应的措施确保技术的健康发展并维护社会的公平与和谐。在今日的科技浪潮中，我们看到了人工智能与视频技术的融合，带来了一系列令人瞩目的创新。以“鱼梯”项目为例，这一创新理念让鱼类可以借助阶梯式的航道向上游游动，而人类则借助更为先进的科技手段，通过视频技术跟踪识别鱼类。

面对这一挑战，一家公司引入了Boulder AI闭路电视系统，成功实现了对通过鱼梯向上游的鱼种的识别。其背后的骄傲声明显得理直气壮：“我们能够通过计算机视觉精准识别爱达荷州的鲑鱼。”这一切的成功实现，彰显出技术的巨大潜力。

当我们转向更广泛的应用场景时，市场中的通用端代表如IC Realtime，而精品承包商如Boulder公司则展示了更多的可能性。这些公司提供的服务仅仅是冰山一角，未来的发展空间巨大。随着机器学习在识别物体方面的迅速进步，其在场景、活动和动作的分析能力也将得到显著提升。这一领域的研究已经取得了显著的进展，各种机构如谷歌、麻省理工学院、IBM和DeepMind等都参与其中，共同推动视频分析领域的发展。

IC Realtime已经开始开发更高级的工具，如面部识别等，并计划进一步分析屏幕上发生的情况。其目光已经投向教育行业，考虑将监控系统集成到学校中，以便及时识别学生的困扰或冲突。与此Boulder公司也在探索更高级的分析，例如开发一个系统来分析银行内部的行为，寻找异常行为并区分正常人和潜在威胁。这些功能的引入无疑面临技术和道德的双重挑战。尽管人工智能的发展推动了这一领域的进步，但仍存在许多根本性的问题需要解决。

卡内基·梅隆大学的教授Alex Hauptmann指出，视频分辨率是其中的一个大问题。尽管人工智能可以分析人类行为，但在低分辨率的摄像头下，其能力将大打折扣。人工智能虽然能识别事件但无法提取背景信息，这也是一个亟待解决的问题。我们需要审慎对待人工智能初创企业的声明，并意识到我们离电脑获得和人类一样的见解还有很长的路要走。尽管如此，事情的发展速度仍然非常快，未来的可能性令人充满期待。重塑现代监控：从基础工具到人工智能的复杂演变

在一个轻松追踪的环境里，Hauptmann向我们揭示了追踪的可靠性。他提到，在不拥挤的环境中追踪一个人是相对可靠的，但当环境变得拥挤复杂时，这一任务就变得异常艰巨。如果目标人物穿着低调普通衣物，追踪的困难度将进一步上升。

但即便是这些看似基础的监控工具，却在一些地方形成了全面的监控网络。在新疆，传统的监控手段结合了先进的面部识别、车牌扫描仪、虹膜识别等高科技手段，创造了一个全面的监控状态。莫斯科也紧随其后，一个集成了超过十万高清摄像头的网络覆盖了城市的各个角落。随着技术的不断完善，这些系统收集的数据日益丰富，帮助软件变得更加智能和精准。正如Hauptmann所言：“这一切都在朝着更好的方向发展。”

技术的进步并非无懈可击。随着这些系统的广泛应用，算法偏见的问题逐渐浮出水面。这不是一个假设性的挑战，而是正在发生的现实。研究表明，机器学习系统在吸收社会偏见方面存在巨大风险，这些偏见可能源于图像识别软件的刻板印象，或是司法系统中对某个群体的固有观念。如果我们使用包含社会偏见的旧影像数据来训练人工智能监控系统，那么这些偏见就很有可能被融入到算法中。

纽约大学的Meredith Whittaker指出，这种情况已经在执法过程中出现，并可能延伸到私有行业。她以Axon公司为例，该公司将视频分析嵌入产品中，但其数据来源可能包含单一的警察视角，从而引入偏见。ACLU的高级政策分析师Jay Stanley警告说，即便能解决偏见问题，人工智能监控系统也可能带来其他风险。他担心监控系统从被动观察转变为主动观察后，可能会引发公民的自我审查和自我怀疑心理。不精确的人工智能监控可能会引发误报和公众对抗的情况。例如Daniel Shaver枪击事件就凸显了误判可能带来的严重后果。如果监控系统变得半自动化，这类错误出现的频率如何变化？这需要更多的讨论和监管措施。

Whittaker还提到当前我们所面临的问题只是人工智能大趋势中的一部分。尽管我们试图通过图像来分类和判断人们的行为和身份，但人工智能结果的准确性仍然受到质疑。重要的是公众是否相信这种判断的有效性并据此做出决策。同时她也指出许多监控系统在没有经过民主程序的质疑和公众通知的情况下就被部署到我们的核心基础设施中，这引发了人们对算法系统公正性的担忧。她说：“算法系统是内在的文化和历史偏见基础上的数据识别和分类系统。”这一领域的复杂性和重要性愈发凸显出来。与此同时当IC Realtime被问及关于人工智能监控可能的滥用问题时他们强调技术的中立性并表示关键在于如何应用这些技术：“任何新技术在不正当的手中都会带来危险不论技术本身的好坏如何”。这些问题需要更深入的探讨更明智的决策以及更严格的监管措施以确保技术的健康发展并真正服务于公众的利益。