一、背景介紹

首先來介紹一下?？翟诖竽Ｐ图夹g領域的發展歷程。

早在 2006 年，海康威視就開始組建算法團隊，專注于智能算法的研究。2012 年，?？颠M一步拓展了深度學習領域的研究，逐步將其應用于多個業務場景，包括人臉識別、車牌識別、視頻結構和行為分析等。通過對這些技術的深入探索，海康在智能安防和視頻監控領域逐漸確立了技術領先地位。

2018 年，海康發布了 AI 開放平臺及相關白皮書，標志著?？嫡竭M軍大模型領域。該平臺不僅為行業提供了基礎算法，還涵蓋了深度學習和大模型的最新研究成果，應用領域覆蓋智慧城市、平安城市、公共安全和生產安全等多個方向。

到 2021 年，?？档拇竽Ｐ椭饾u步入行業應用階段，重點發展多模態模型，將視覺、語言、語音等技術融合在一起，并逐步擴展至城市治理、電力、煤炭、水利等多個行業。通過整合這些感知技術，?？档男袠I大模型在智能化管理和分析上有了質的飛躍，為更多行業提供了智能解決方案。

從 2022 年至今，海康利用更高級別的智能手段，不斷對模型進行優化提升，助力多維數據聯動，并參與了國家大模型相關標準的制定。

?？档拇竽Ｐ腿∶麨椤坝^瀾”，源于孟子“觀水有術，必觀其瀾“的哲理思想，象征著通過大模型的深度感知與洞察來實現對世界的全面理解。觀瀾大模型從視覺大模型起步，并逐漸擴展至音頻、雷達、X 光等多個感知領域，形成了豐富的多模態感知基礎，以適應不同的行業需求。

早期，?？祷诤Ａ繑祿A訓練，構建了視覺大模型、音頻大模型、語言大模型、多模態大模型等基礎大模型。在此基礎上又構建了行業大模型，廣泛應用于電力、公路、煤礦、水利、零售、軌道、工業制造、城管、金融等各個行業。針對一些特定任務，又進行了模型微調，以滿足具體應用場景的需求，如電力巡檢、異常作業檢測、交通事件檢測、物料盤點、金融合規檢測等。

具體到金融行業，?？荡竽Ｐ椭饕獞糜诎卜李I域，涵蓋人防、技防和物防三個方面。通過對銀行網點內外的智能監控，實現了對人員行為的精確分析，如人員聚集、人員跌倒等。同時，大模型在金庫和 ATM 加鈔等場景中提供了高效的合規性監控，確保了金融資產的安全。

通過大模型的持續訓練和微調，?？荡竽Ｐ湍軌蚋鶕總€金融網點的環境特點進行個性化的優化，解決了傳統安防技術在復雜環境下識別準確度低的問題。同時，大模型通過高度自動化的監控和管理手段，大幅降低了人力成本，為金融機構提供了更為智能化的安防解決方案。

二、整體架構設計

上圖展示了常見的銀行業務架構。

?？荡竽Ｐ筒捎昧嗽七吔Y合的模式進行部署，以滿足各類應用需求。

邊緣部署，如二級分行會部署一些小模型，在智能 NVR、智能分析服務器等邊緣設備上，負責處理本地數據，并在局部范圍內進行數據分析；到省級分行，則使用大模型，利用大模型具備的自學習能力，根據不同環境進行模型的調優與優化。

云端部署，采用了?？翟祈?，設備產生的圖片會上傳到云上進行訓練、推理，以資源共享的方式，再下發到設備。這里的速度會不如邊緣部署那么快。

云邊結合方案為各行業提供了靈活的部署模式，既能夠滿足數據安全的需求，又能夠有效控制企業的資源成本。在金融行業中，邊緣設備可以在本地完成實時監控和風險識別，而云端則為全局數據提供更深入的分析，確保了金融業務的高效運轉。

?？涤^瀾大模型的主要優勢在于：

• 全面的感知能力：?？低晳{借其在物聯網領域超過 20 年的技術積累，擁有豐富的數據資源，這為大模型的訓練提供了堅實的基礎。無論是在視覺感知、音頻分析，還是其他模態數據處理上，海康的大模型都具備了全面的感知能力，能夠應對復雜的行業需求。
• 豐富的行業經驗：?？低ㄟ^自主研發的微調技術，顯著提升了大模型的實用性。特別是在復雜場景下，大模型通過高效的微調技術減少了誤報率，提升了識別的準確性，確保了大模型的高效運行。
• 多樣的部署方案：?？颠€通過自研的蒸餾技術，將大模型的知識遷移至邊緣小模型，實現了大模型與小模型的聯動。大模型在云端進行全局優化，而小模型在邊緣設備上進行本地推理，從而在保證高效感知的同時，實現了資源的最優配置。

面向網點、金庫、辦公大樓、數據中心全場景，搭建了金融辦公場所物聯感知網絡，并在此基礎上打造了上層智慧應用，統一管理各類算法及算力資源，基于業務場景需求賦能AI 應用。

通過對從業務調研、方案設計，到應用集成、維護迭代的全流程形成標準化的工程化服務體系，為?？涤^瀾大模型落地提供了保障。

三、挑戰與解決思路

在海康大模型落地的過程中，也遇到了諸多挑戰，主要有以下幾方面：

• 數據依賴性：人工智能技術的效果高度依賴于數據的質量與數量，如果缺乏足夠的數據，大模型的學習與訓練就難以實現。這對部分行業提出了數據積累的挑戰，特別是在非傳統領域，數據的獲取與清洗是一個長期的過程。
• 傳統深度學習的局限性：模型泛化能力不足，傳統結構出現性能天花板，缺乏復雜推理與認知能力。
• 算力成本：大模型的訓練需要大量的計算資源，帶來了巨大的成本壓力。

針對這些挑戰，海康通過技術創新與積累，不斷提升模型效果，同時盡可能降低模型訓練和部署的成本，使大模型得以在更多企業中落地應用。

四、未來展望

隨著?？荡竽Ｐ图夹g的不斷成熟，其在金融行業的應用也逐步深入。目前，國有銀行和股份制銀行已經陸續開始部署?？档拇竽Ｐ停磥磉@一技術將進一步推廣至更多的金融機構。同時，?？狄灿媱潓⒋竽Ｐ蛻猛卣沟狡渌袠I，推動各行業的智能化轉型。無論是智慧城市的治理，還是工業生產的安全管理，海康的大模型都將在未來發揮至關重要的作用。