海康威视：AI“工程化”背后考验的是综合能力

　　问：现在市场对2022年的大环境有一些担忧，考虑到去年上半年的基数比较高，对后面季度的发展趋势是否有一个展望和预判?

　　答：把一个企业的经营拆到以季度为单位去看的时候，季度数据呈现出来更多的是经营的结果，而不能说是目标的分解，季度时长确实是太短了。我们大部分的业务举措都是以年为单位，有些举措甚至是以好几年作为周期的。关于对宏观周期性的担忧，海康发展到这样一个规模，我们确实也不能豁免周期下行对企业产生的一些压力，但我们不是孤立的存在于市场上的，众多实体经济的参与者面对的情况都类似，整个经济体应该都面临基数的影响。

　问：2020年报致股东的信讲了未来三年是公司的发展机遇期，股权激励计划也定了四年不低于15%复合增长的目标，面对这样一个新的大环境，我们对整个发展的判断或者指引上面会不会有一些新的思考?

　　答：我们去年在年报上面讲未来三年是机遇期，这个判断仍然没有改变，我们对这个产业未来的可为空间还是非常有信心的。但是因为企业在经营过程当中会受到外部环境的影响，所以有时候机遇变现的过程会有曲折，以前看是时常发生的，在未来回看当下应该也一样，保持平常心聚焦当下应该做的事比较重要。

　　问：公司研发费用、研发强度、支出的方向和之前的区别是什么?公司也越来越重视软件这一块，请问软件对应的研发会是怎么样的规划，谢谢。

　　答：研发费用这几年确实涨了一些，2018年之前我们平均的研发费用与销售相比大概是7-8%，18年之后逐年往上，去年是10%多。18年之后由于美国实体清单的影响，对于美国物料，公司做了较多的替代和重新设计，这方面也消耗掉一些研发资源。2020年，原材料市场变得紧张，物料紧张问题导致为了能够获得相对比较充足的物料供给，我们需要开源，开拓更多的原材料供应商。切换不同物料要解决应用上一致性的问题，在设计方案上也会需要一些调整，这方面也会消耗掉研发资源。

　　问：人工智能在物联网行业里落地的过程中我们能看到，碎片化是行业的特点，但是在技术上能不能把方案做得更标准化，未来定制化与规模化的平衡该怎么掌握?

　　答：随着这两年的发展，对于超大数据集的拟合能力是在提升的，因此人工智能的泛化能力是有所提升的，算法本身在逐渐进步。但是哪怕是做了这样子的工作，不同的行业、不同的解决方案中，人工智能仍然需要做很多行业化的优化。

　　问：AI算法落地，比拼的核心能力是工程化或者落地的能力，未来在基础算法升级，开放平台加持的背景下，工程化的难度是否会降低呢?

　　答：从过去几年人工智能的发展来看，它在产业里面成功落地，所需要的能力其实是比较综合的。首先需要的基础算法的能力，比如大型训练系统的搭建能力、数据的获取、虚拟数据的生成、神经网络构建和优化的能力等各种跟数据相关的能力。当这些能力都具备以后，如何跟行业结合?如何在硬件产品上将AI能力部署下去?如何在软件端将智能能力融合到物联网的解决方案中?这些能力都非常关键。所以我们看到过去几年在人工智能落地做得比较好的公司，它的综合能力是比较强的，除了算法的构建、大型训练系统的搭建、算法的优化等能力之外，产品化能力和解决方案的搭建能力也非常重要。