0
有人说，与C端产品较为重视用户体验不同，在G端市场做生意，如果没有稳定的政府客户资源，安防老牌劲旅强大的软硬件一体化产品能力、行业解决方案能力、营销渠道能力和项目交付能力可以一夜之间干掉一家创业公司。
“稳定的政府客户资源”，通俗一点说，就是得有足够硬的“关系”。
“关系”，这应该是每个安防从业者每天都能听到的高频词汇，特别是在业务成绩较好的厂商身上容易“被”出现。
其实在历朝历代，各个国家，“关系”多少都会存在。
早在三国时期，魏国所推行的九品中正制，便是为了给以贵族推荐制为中心的裙带关系开路；几百年后的宋朝，在科举制度被发明之前，“举孝廉”也是一种裙带关系。
从三国到宋朝，几百年的时间跨度都跨不过“关系”这层固化台阶。今天，历史顺延到安防市场，欲想做好这门生意，果真还如常人所见？如若不然，还得具备哪些重要素质？
鉴于此，雷锋网在与数家头部传统安防企业高管及多位AI独角兽高管交流中，总结出四点精要，希望能够管中窥豹，以此给行业从业者们带来些许思考。
如果说产业经营是做‘加法’，那么投资并购就是做‘乘法’。
未来的市场份额争夺会更偏向于报团取暖式进取，个人英雄式的单打独斗已经成为过去。
一个企业的并购行为，从某种意义上来说，并不是简单追求规模效益的推动，而是为未来的协同发展打好基础。
早在战国时期，诸侯并起、相互兼并，出现战国七雄，历经合纵连横，最终秦王扫六合，一统天下。
两千多年后，在全球一体化的趋势下，贸易、技术、服务、管理、资源、资本、智力等一切推动经济增长的要素都在不可逆转地荡涤着各国的经济边界。
在这个过程中，投资并购就是资源整合、就是扫荡边界、就是重新洗牌；同理，此路数在安防行业也同样适用。
对于AI创业公司来说，适当的投资并购在提升资本耐心的同时，还能以最快的速度覆盖被并购者的生产技术、市场份额、管理水平等资源，以解决营收痛点。
就涉及安防业务的独角兽企业来看：商汤于上月跟投AIoT企业特斯联；旷视于去年四月全资收购艾瑞思机器人；比特大陆、明略数据联合领投视频大数据技术提供商千视通科技。
而对于一些雄心进军海外市场的安防企业来说，并购也不失为一种上佳办法，如此可以更好规避关税和非关税壁垒，同时克服地缘障碍。
比如海康威视曾收购英国公司SHL，进一步开拓海外市场；大华股份也曾以2900万美元收购FLIR旗下Lorex品牌，扩张北美销售网络，如此等等。
安防是一个极具个性化的市场。在其中深耕，须有最好的技术和对客户最深入的了解。
AI创业者大多出身"名门", 他们从最顶尖的学术象牙塔转身投奔工业界，在传统安防市场寻找机会。
与此同时，在这个转换过程中，很多人不能脱下西装深入田间地头做产品；或者有些人索性待在实验室想场景。
就此，从2014年至今，多少从业者高调进入又黯然收场。
受制于强地域性且系统复杂性，安防很多项目涉及的专业多、链条长，对企业的资质、管理水平、项目实施经验均有较高要求，需要安防企业能够潜下心来与甲方多交流、磨算法，为他们提供完整可行的解决方案。
安防，说起来就二字概括，但真的潜下心去做就会发现，每一个甲方都有自己的独特需求，每一个场景都需要后期调优，每一个项目从开始到结束都困难重重，而且很多还都不是技术上的问题。
在这个过程中， 效果一样，处理方式不同。方式固然重要，但能给甲方带来真正价值的还是结果。也就是说，技术虽然非常重要但不能一味地扎进技术里，摸透每个具体场景的真实需求同等重要。
面对繁杂问题，特别是初创企业一定需要善于学习，同时深入了解客户实际需求，实时帮助客户解决任何点位上的疑问及困难。
与此同时，对于业务选择，在人力物力有限的情况下，与其广撒种不如深扎根，想要一口气涉足甚至吞下所有行业，还不如专下心来重点深耕几个赛道，认真分析研究这些赛道的情况和需求，提供贴合实际的全栈解决方案、精细化服务，增强与客户的粘性，之后再去做些新的尝试。
场景优先，技术先行，技术是场景的催化剂、场景是技术的炼火石，想要在安防行业更好、更稳地走下去，一定要有自己‘拿得出手’的核心技术。
这不是一句废话，也不是老生常谈，人人都懂的道理说来不过一秒，做起来需要持续不断的投入，而且风险巨大，到最后可能成了先烈、赔了岁月。
从算法角度来说，太多依靠开源框架微创新，然后采用低价策略抢占市场，导致整个行业丧失了做基础原创技术创新动力的案例。
坚持自研是一条漫长且艰苦的路，没人知道数年的努力能不能换得一次数量级的提升，也没人知道高投入后是否得到与之相匹配的回报。
幸运的是，现在的AI安防市场已经过了普及技术的阶段，眼下5%不到的智能安防产品渗透率只是暂时数据，行业‘去伪存真’阶段已经开始，之后不久，整个智能安防市场发展速度会在此背景下指数增长。
在AI安防时代下，没有自主算法的、不能指数级提高生产力的、为了做人工智能而做人工智能的参与者都会被淘汰，过去太多伪智能的存在让很多人理解不到AI真正的应用价值，导致了一些AI泡沫的产生。
与此同时，对于安防行业的AI技术融合、应用，频频出现“点到为止”技术论。
支持者认为，基于安防行业自身天然的高试错率，小数点后的算法精度数量级提升对于项目的最终归属没有大的改变。
其实，现阶段，与安防相关的AI技术精准度还远远没有达到天花板，基于安防场景的不断变化，其对算法迭代的要求一定是非常严苛且上升的。在这个市场中，谁能够看到算法精度提升解锁的更多场景，并根据场景的变化做到最为快速且精准的反应，谁就能在未来竞比中走得更远。
眼下，AI在安防领域的研究应用主要针对几个核心问题：分别是分类检测、分割、以及对整个图像区域分类。
以往来看，AI神经网络中激活函数、非线性单元、权重矩阵的应用形成了非常高维的非线性函数，从而可以完成非常复杂的任务；与此同时，在这基础之上，GPU的出现让神经网络的发展如虎添翼。
即便如此，相关AI技术在安防市场上的应用还存有几个挑战：
认知问题相较感知问题较难解决。感知问题可以用神经网络函数逼近，相比之下认知问题解决起来比较棘手。
比如如何教会机器辨识一把椅子。如果定义为四条腿，很多椅子并不满足此描述；如果定义为可以坐的物体，如此也行不通。所以说简单的检测物体问题上，背后都蕴含着更深层次的认知问题，如今很多问题还尚未解决。
在弱线索、遮挡、模糊、对象追踪等情况下，人类在识别的过程中通常会依据常识，并加入丰富的想象及推理。但是想要将这些能力传授给机器便非常困难；即使实现，识别能力与人类相比也相差甚远。
计算机视觉技术带给机器的能力不只是用来观察世界，而是需要与世界建立联系，从而一起做交互。在某个机器人去解决一件重要的问题需要用到手眼协同时，需要连续的关键决策，而不停地观察、决策和控制，这是机器智能目前非常难做到的事情。
随着安防行业的多元化发展，未来很多细分场景对于精度要求之高势必让人咂舌，基于背景知识的图像内容描述，挑战都非常巨大。
也就是说，AI在安防行业的探索才刚刚开始，如果此时只是准备现有场景且刚刚达标的技术储备，未来在这个市场比拼中会比较被动。
一般来说，TO G 项目周期较长，一个项目首先会让多家竞标企业在不同分局免费试行一年，确定技术和系统运行稳定性后再集中POC测试，众多参与者最终只有一家企业获得订单。
免费试行一年，再到回款，一来一去最少三年，三年时间要不断投入而且颗粒无收，对于多数创业公司来说压力巨大。
资金实力也决定赛道玩家是否有足够的粮草度过众人争食的寒冬。
再者，选择一个好的平台，通过生态平台来进行合作不失为一大智举。包括安防、智慧城市等项目是非常繁杂的系统，没有任何一家公司能够做好全部的工作。
在这个过程中，如果能够选择一个利益冲突不大且拥有非常强大生态能力的平台合作伙伴，会在接下来的智慧城市拓展之路上走的更稳、更快、更好。
做好安防需要一定的偶然及必然。偶然是所谓的运气，必然是绝对的实力。
也许对于大多从业者来说，安防是一个强GR行业，其实深耕下去，可能会发现，在通往接单的彼岸，关系也许是一座桥，但只要你自身硬实力够强，也能成功到岸。
未来人工智能的发力需要更多的深度和广度。从实验室到实际应用，人工智能需要迈过商品化鸿沟，因此要大力推进人工智能在应用层面落地。
在这个竞争残酷的行业中、在面对智能安防的转型大势中，你必须更加注重科技进步及全面创新，要把科技进步放在前所未有高度上的同时，通过全面创新为发挥科技创新的作用创造条件，最终实现经济发展向创新驱动转型。
值得一提的是，虽说商业世界是残酷的，找准方向事半功倍，但以上所谈“方法论”的充分且必要条件是做好自己。
打铁还需自身硬，唯有修炼好内功，才能找到好的合作伙伴，才能更好地解决实际问题，才能更好地为客户服务，才能获得更大的市场份额。雷锋网雷锋网雷锋网
雷峰网原创文章，未经授权禁止转载。详情见转载须知。
