蛇年春节前后，一场史无前例的“AI风暴”被DeepSeek点燃。由中国AI初创企业深度求索（DeepSeek）发布的开源模型DeepSeek-R1爆火全球，其出色的语境理解、推理能力和开源特性，引发国内外广泛关注，吸引了各行业领域争相接入和拓展应用。据悉，目前国内各地方政府、互联网巨头、电信运营商、独角兽、云厂家、芯片厂、手机厂、车企、银行等企业和品牌纷纷接入DeepSeek，积极探索其在不同业务场景下的应用可能。

　　安防行业是人工智能最早成功落地的行业之一，在深度学习的热潮中，安防是AI应用落地的先行者；这两年大模型时代开启，安防行业再次站在了技术应用的前沿。当下面对AI技术的新突破，智能安防企业也迅速做出反应，及时跟进研究与探索应用。目前，行业内部分企业已成功接入 DeepSeek。其中，一些企业更是在近期重磅推出了基于开源大模型 DeepSeek 的AI一体机等创新产品。可以预见，未来将会有更多安防企业接入 DeepSeek，以此为基础进行产品创新和拓展应用。那么，DeepSeek 的接入究竟会给安防产品带来怎样的应用价值？它又将给智能安防行业的发展带来哪些深刻的影响和改变？智能安防企业又该如何借助 AI 技术的新突破实现创新发展？未来安防行业大模型技术发展走势又将何去何从？等等。围绕这些备受关注的问题，本期我们特别邀请了业内资深专家、学者进行深入探讨，以飨读者。

　　DeepSeek：引领引领人工智能新浪潮 驱动智能安防新发展

　　采访嘉宾：

　　《中国安防》：当前国产AI大模型DeepSeek成为全球AI产业焦点。为什么是DeepSeek引起了全球的科技震撼？其最重要的创新和突破在哪里？

　　章勇：这两年，国产AI大模型如雨后春笋般涌现，形成千模大战、百花齐放的局面。而今年开年以来，国产AI大模型DeepSeek以其卓越的技术创新和显著的成本效益优势脱颖而出，迅速成为了全球AI产业关注的焦点，我认为，DeepSeek现象级的成功并非偶然，而是多种因素共同作用的结果。

　　首先从技术路线上看，DeepSeek在研发设计上采取了与传统不同的思路，它并未盲目追求参数规模的扩大，而是注重算法优化和计算效率的提升，从而实现了性能上的重大突破。在工程实现上，DeepSeek进行了诸多优化。例如，DeepSeek 通过混合精度训练、混合专家系统（MoE）、注意力机制优化、组相对策略优化（GRPO）等技术，显著提升了模型运行与训练效率，减少了低效训练和推断的算力消耗，大幅度降低了对高强度计算硬件的需求。

　　其次，DeepSeek选择了开源策略，彻底践行了开源精神，与OpenAI等走向闭源的公司形成了鲜明对比。这不仅打破了以往闭源模型主导市场的局面，也为全球开发者提供了一个开放共享的平台。通过开源，DeepSeek加速了技术迭代的速度，促进了生态系统的繁荣发展。这种做法得到了业界广泛的认可和支持，许多国际知名专家和技术领袖都对DeepSeek表示赞赏，并认为这是推动全球AI技术进步的关键步骤之一。

　　再次，提供各种DeepSeek的蒸馏版本，也是其成功的重要因素之一。蒸馏版本的DeepSeek模型是大模型与小模型之间的高效 “迁徙” 技术的典范。通过知识提取，将大模型输出的概率分布转移到小模型，使得小模型能够更好、更快地学习，并且可以本地化部署，处理敏感数据，并且在网络条件不佳的情况下也能正常工作。DeepSeek的各种蒸馏版本，已经出现在各种云、边、端的智能设备中，在算力资源和性能准确性的平衡之间，为各类用户提供了多样的选择。

　　最后，最重要的是，DeepSeek成功应对了美国对中国科技企业的出口管制挑战。通过技术创新减少了对高端硬件的依赖，降低了整体成本，提高了产品的市场竞争力。这一成就不仅体现了中国企业在面对外部压力时的坚韧不拔，也彰显了我们在自主创新道路上的决心与实力。

　　综上所述，DeepSeek凭借其独特的技术路线、前瞻性的开源战略以及克服重重困难所展现出的强大执行力，已然成为全球AI领域的一颗耀眼明星，引领着新一轮的技术革命和发展潮流。它所代表的是一种以精益求精的开放创新，而非仰仗规模优势与技术封锁的发展趋势，这对全球AI产业链都将有深远的影响。

　　黄仝宇：DeepSeek作为业界领先的人工智能大模型，凭借极致性价比和开源模式推动人工智能大模型应用迈向普惠化。它突破了“大力出奇迹”的传统模式，重塑大模型格局，改变全球人工智能竞争态势。

　　众所周知，原先诸如ChatGPT、LLaMA、BERT、Grok等大模型，构建需要依赖头部企业雄厚资源、顶尖人才、强大算力与海量数据（603138）。而DeepSeek的问世，大幅降低应用门槛，众多初创企业得以入场。正如国投智能（300188）董事长滕达所讲，大模型从“原子弹”转变为“茶叶蛋”，为行业发展带来全新机遇，未来竞争优势将聚焦高价值数据与多元应用场景。

　　技术实现上，DeepSeek通过算法优化、搭建高效模型架构与创新数据处理技术，显著提升模型运行效率与性能，加速规模化落地。性能方面，其突破传统大模型依赖人工评判对错强化训练的模式，创新采用机器自我评判机制，无需人工干预，推动大模型深度“反思”，大幅提升推理性能。成本方面，精选高质量数据缩短训练时间，凭借大量算法优化降低硬件要求，践行“算力不够、算法来凑”理念，是一种工匠精神。

　　值得一提的是，DeepSeek的知识蒸馏技术贡献突出。其原理类似教学过程，以大模型为“教师”，小模型为“学生”。大模型生成高质量数据作为学习资料，小模型借此进行强化学习，能快速提升性能，逼近大模型水平。相较于小模型自主学习，该方式效率更高。这些创新举措充分彰显中国式“工程创新”，将DeepSeek性价比发挥到极致，在当前人工智能发展中占据极为重要的地位。

　　《中国安防》：近两年，很多安防企业陆续推出了自己的大模型产品并持续落地，DeepSeek这类大模型与安防行业的大模型有什么不一样？行业垂域大模型未来将如何发展？

　　章勇：DeepSeek发布之后，国内各行各业也包括安防行业出现了本地化部署DeepSeek大模型的热潮，但需要强调的是，DeepSeek不是专门为某一个特定行业设计的大模型，而是一个可应用在广泛领域的通用型大模型。它的特点是通过大规模跨领域数据训练，具备超级强大的自然语言处理能力,可以处理多种类型任务,一般作为某一特定行业大模型的基座模型使用。而安防行业内的大模型通常是专门针对特定应用场景，从通用基座模型发展而来，在通用基座模型上运用行业数据的微调或是继续训练，它们在这些特定领域中表现得更为专业和精准，而有可能缺少或是遗忘通用领域的知识。

　　此外，当我们现在谈论DeepSeek大模型时，通常指的是DeepSeek-R1这一系列具有深度思考能力，专注于自然语言处理（NLP）任务的大规模语言模型。这类模型在文本生成、数学推理、代码编写等方面展现了卓越的能力，并且在多项基准测试中取得了令人瞩目的成绩。但是，尽管DeepSeek-R1在语言领域表现优异，但它并不具备直接处理视觉信息或多模态数据的能力，深度思考模式如何直接用于视觉或多模态信息，仍然是学术界正在探讨的课题。

　　相比之下，在安防行业已经崭露头角的垂类大模型，除了部分语言类模型之外，更多的是以图像视频为输入的视觉大模型，以及多种媒介输入的多模态大模型，应用于视频监控和图像分析等应用场景。这些模型不仅需要能够理解文本信息，还需要具备强大的视觉处理能力，以便对监控画面中的物体、人物及其行为进行准确识别和分析。因此，从本质上讲，DeepSeek-R1和安防行业的垂类大模型存在显著差异，也不构成直接竞争关系。

　　未来随着技术的发展，我们可以预见两种类型的模型将会相互借鉴。一方面，安防垂类大模型大概率会引入类似于DeepSeek-R1的深度思考语言处理模块，增强其对报警信息解释、指令解析等方面的能力；另一方面，DeepSeek也正在探索将其核心技术扩展至多模态领域，将深度思考和强化学习方法应用于视觉感知任务中，这为未来的跨领域创新提供了可能。

　　总之，DeepSeek与安防行业内开发的大模型各有特色，而未来的行业垂域大模型将会更深度结合行业Know-How，朝着更加智能化、专业化和标准化的方向发展。不仅如此，借鉴DeepSeek的模型蒸馏与压缩技术，垂域安防大模型的部署将向本地化发展，向边缘设备下沉，实现低延迟推理。

　　黄仝宇：DeepSeek对技术架构展开深度优化，在混合专家模型（MoE）、低秩注意力机制、硬件交互优化等方面进行创新，大大提升模型的训练效率和推理速度，同时还注重跨领域的通用性与可拓展性，这使得它在处理自然语言处理（NLP）、知识推理、数学运算等任务时表现出色，为诸多行业应用提供了坚实有力的能力支撑，助力各领域借助先进AI技术实现高效发展。

　　相比之下，安防行业的大模型侧重于满足特定安防场景的需求，具有更强的行业针对性。它能围绕安防场景的特点进行优化，如目标检测、行为分析、场景理解等，通过大量的安防数据进行训练，使之具备高度的专业性和精准度，且具备很好的泛化能力。在实际应用中，安防行业大模型注重与安防系统深度融合，高效利用并处理安防数据，充分发挥模型效能。与此同时，安防企业通过构建安全、规范的数据共享及技术交互机制，在严守安全底线的基础上，全力推动不同技术和业务深度融合与迭代升级，促进安防大模型稳健前行。

　　未来，行业垂域大模型将朝着多元化、专业化和生态化方向发展。一方面，大模型不再局限于单一领域，跨领域、跨行业融合应用将产生更广泛影响力。另一方面，与行业业务融合会更加深入，针对特定行业或场景深度定制与优化，以满足细分专业需求，解决行业痛点。以安防行业为例，大模型将进一步提升复杂环境下的识别准确率、响应速度与智能化水平，为系统提供更全面高效的保障。随着大模型技术的成熟与应用场景的不断拓展，将构建起以大模型为核心的生态系统，数据提供商、算法开发者、应用集成商等多方参与，通过合作共享实现资源优化配置与价值最大化。

　　《中国安防》：当下，包括安防行业在内的很多领域企业纷纷接入DeepSeek。DeepSeek的哪些技术特性契合安防行业的需求？您认为具体有哪些方面的应用可能会因为DeepSeek产生变化？在应用侧会催生哪些创新？

　　章勇：当前，很多领域企业都纷纷接入了DeepSeek，但是如上面所述，DeepSeek并不是垂域大模型，也不是多模态大模型，因此我们在具体的安防应用时应该有清醒的认识，并不是所有场合都要去部署DeepSeek。我认为，DeepSeek的以下特点符合安防行业的需求：

　　第一，DeepSeek的高效与开源特性，极大方便了大模型的本地化部署和个性化定制。由于安防行业的数据通常包含高度敏感的信息，因此确保这些数据的安全性和保密性是至关重要的；另一方面，大模型由于体量庞大，资源消耗高，一般又很难部署在本地。DeepSeek的出现解决了这些难题。DeepSeek的开源特性，使得各种体量的安防企业均可以自由部署；而其通过算法创新所实现的高性能推理，亦为在本地有限算力下的运行提供了可能。DeepSeek允许企业将其大模型部署在本地环境中，这意味着企业可以完全掌控数据的存储和处理过程，避免了因云端服务可能导致的数据泄露风险。此外，本地化部署还使得企业可以根据自身需求对模型进行定制化调整，以满足特定业务场景的要求。

　　第二，DeepSeek强大的思考和推理能力颠覆基于人工规则的安防业务逻辑。各种传统的安防业务设计大都依赖预设规则和特征匹配，而DeepSeek深邃的思考推理能力，可以实现动态化、智能化的业务逻辑重构。例如，DeepSeek可快速解析非结构化数据，进行上下文理解，识别异常模式；在公安行业应用中，对犯罪人员的风险评估，传统方法依赖固定评分卡（如年龄、前科次数等结构化数据），而DeepSeek则可以通过多源数据融合，整合社交网络文本、非结构化行为记录，通过数据碰撞，构建动态风险画像，实现精准评估；又如在法院行业应用中，DeepSeek可以对裁判文书中的争议焦点、证据链完整性描述进行结构化提取，构建多维相似度计算模型，结合被告人文本供述，动态生成量刑建议。这些例子都说明，大模型的逻辑推理能力将改变传统固定的业务设计方法，重塑行业对复杂问题解决的思维范式。

　　第三，DeepSeek的语言处理能力将重构安防行业的知识体系。在安防领域，有许多任务涉及到大量的行业知识信息交互，比如行业知识问答、关键知识抽取以及行业数据分析总结等。DeepSeek能够高效地执行这些任务，提高了工作效率并减少了人为错误的可能性。例如，传统安防知识库依赖关键词匹配，难以应对非结构化、碎片化的业务需求。而DeepSeek通过语义理解与知识推理，实现了问答系统的智能化升级；安防知识来源于多个渠道，而DeepSeek可以完成多源异构知识整合，基于大语言模型的上下文感知能力，DeepSeek可同时解析各类知识载体中的信息。此外，安防业务中事故报告、巡检记录等文本包含大量隐性知识，在关键知识抽取和实体关系挖掘任务中，传统的抽取方法依赖人工规则制定，不能有效利用这些隐性知识，存在效率低、覆盖窄的痛点，而采用DeepSeek大模型进行文本处理，可精准识别安防文本中的关键知识和专业实体。

　　可以预见，DeepSeek强思考能力和开源高效的特点将催生一大批创新应用，并以AI智能体（AI Agent）的形式在安防行业各个领域不断涌现。AI智能体作为大模型的系统延伸，不仅仅是简单的工具或组件，而是集成了人工智能、认知计算和自然语言处理等先进技术的复杂体系。在这个体系中，DeepSeek充当“大脑”的角色，提供了强大的数据处理能力和复杂的推理机制，而智能体则是这个系统的具体表现形式，负责执行任务、工具调用、进行决策以及与外界交互。通过这种组合，在安防领域智能体能够实现对复杂环境的理解和适应，提供前所未有的智能化服务，如自动化安全运维、预测性安防体系、人机协同决策等等。DeepSeek的强推理特点，将大幅度促进基于规则的方法向更加智能的方向转变，推动安防行业的AI应用从“算法工具辅助”向“大模型智能体主导”的范式转变。

　　总之，DeepSeek的引入不仅提升了安防行业的技术水平，也促进了整个行业的创新发展。随着技术的不断进步和完善，我们可以期待看到更多基于类似于DeepSeek的大语言模型的安防创新应用出现。

　　黄仝宇：作为人工智能技术率先落地的领域，安防行业对前沿技术需求迫切。DeepSeek凭借独特技术特性，与安防行业需求高度契合，因而众多安防企业纷纷接入。

　　DeepSeek以高效推理与分析能力赋能安防行业，显著提升系统对复杂场景的理解及推理能力，强力推动安防智能化向高阶发展。在此基础上，利用实时人机交互与快速响应特性，由DeepSeek赋能的安防系统能迅速理解使用者的诉求，并快速给出安防事件分析结果与处理建议，辅助决策，极大提升突发事件响应速度。此外，DeepSeek具备强大的多模态处理能力，能够高效整合处理安防场景中的视频、图像、音频、文本等多类型数据，助力实现对安防事件的全面精准理解。随着技术持续迭代，以DeepSeek为代表的大模型在可控成本下不断挖掘潜能，持续为安防系统智能化升级注入强劲动力。

　　DeepSeek赋予安防系统强大的智能分析、精准预警和高效决策能力，推动安防行业从传统被动防御迈向主动、智能、高效的新阶段。值得关注的是，DeepSeek的蒸馏技术可以将复杂的多模态大模型压缩至边缘设备、终端可以运行的规模。在安防场景中，经DeepSeek赋能的轻量级边缘设备便可对视频图像进行场景理解，迅速捕捉并识别异常行为，极大程度降低数据向中心端传输时的延迟，有力缓解网络带宽及中心端计算压力。此外，凭借DeepSeek的技术支撑，机器人、无人机这类移动智能设备，以及摄像机、门禁系统等物联感知设备，其自主分析能力今后将能够得到显著提升。

　　《中国安防》：这两年垂域大模型的快速进步和日渐普及，为安防行业带来了新的活力与动力。从实践来看，在落地过程中还有哪些难点需要去攻克？以ChatGPT、DeepSeek等为代表的预训练大模型持续取得突破是否会加速行业大模型部署及应用的普适化？

　　章勇：尽管垂域大模型为安防行业带来了显著进步，但在实际部署和应用中仍面临一系列挑战：

　　一是模型泛化能力与算法准确性要求的同步提升。安防场景极为碎片化，不同场景下的安防需求差异巨大，一个通用的大模型无法很好地适应所有情况；不仅如此，安防应用所关注的多为小样本事件，检测与识别面临泛化性和准确性的双重挑战，大模型算法在准确性上的提升，仍依赖于提示工程优化、多模态对齐建模、参数高效微调、异常特征蒸馏等技术方向上的持续突破。

　　二是大模型部署与训练难度。将先进的大模型技术整合到现有的安防系统中并非易事。这不仅涉及到硬件兼容性、软件接口标准化以及系统间通信协议等多个层面的问题；更为关键的是，大模型的部署成本高，阻碍了大面积推广，因此包括蒸馏在内的大模型小型化技术，仍然是业界关注的技术方向。此外，针对特定应用场景进行大模型的微调和优化仍然需要大量的计算资源和专业标注人力投入，大模型的训练过程更需要复杂的正则化技术、数据增强方法以及精心设计的训练策略，这些都使得大模型算法的研发成本大幅增加。

　　三是数据隐私与安全。数据隐私与安全对垂类行业大模型至关重要，这既是法律合规的刚性要求，也是用户信任的基石。安防系统处理的数据更多包含了敏感信息，因此数据隐私安全是安防大模型必须要考虑的关键问题。在技术层面，大模型本身参数就含有应用系统的重要知识，易受反演攻击、成员推断等威胁，可能暴露训练数据中的商业机密或个体隐私，如何确保这些数据在使用过程中得到妥善保护，并遵守相关法律法规，是亟待解决的问题。

　　毫无疑问，以开源大模型DeepSeek为代表的预训练大模型的持续突破，将加速安防行业大模型部署及应用的普适化进程：

　　一是降低门槛：开源大模型助力中小安防企业快速入场。

　　开源的大模型，如DeepSeek，为安防行业带来了技术普惠的可能性。在传统模式下，中小型安防企业由于资源有限，往往难以承担从零开始研发复杂AI模型的成本和风险。然而，开源大模型的出现打破了这一局面。这些模型经过大规模数据的预训练，已经具备了强大的基础能力，中小企业可以直接利用这些现成的技术资源，快速构建符合自身需求的解决方案，还可以基于DeepSeek的开源框架，结合自身业务场景进行微调，快速开发出具备智能逻辑判断功能的安防系统。这种模式极大地降低了技术门槛和成本投入，使得更多中小企业能够参与到安防行业的智能化转型中，推动行业的整体发展。

　　二是性能提升：大语言基座模型赋能下游任务。

　　预训练大模型的核心优势之一在于其强大的基座能力。以DeepSeek为例，其作为大语言基座模型，经过海量数据的训练已经掌握了丰富的语言知识和逻辑推理能力。这种能力的提升，为下游行业模型完成任务提供了坚实的基础。DeepSeek的性能提升，使得下游模型能够更好地理解复杂的场景、生成更准确的决策建议，从而提升整体安防系统的性能和可靠性。

　　三是提高效率：预训练模型助力企业聚焦核心业务。

　　在传统安防系统开发过程中，企业往往需要投入大量时间和精力用于模型的基础训练和优化，而通过利用预训练模型自身提供的强大功能，企业可以节省大量的时间和精力，将资源集中于核心业务逻辑的研发。例如，一家安防企业原本需要花费数月时间从头训练一个能够识别复杂行为的模型，现在只需基于某开源的视觉大模型进行少量的微调和优化，即可快速完成模型的适配和部署。这种效率的提升不仅加快了产品的上市速度，还使企业能够更灵活地应对市场需求的变化。企业可以将更多资源投入到创新功能的开发、用户体验的优化以及与上下游企业的生态合作中，从而在激烈的市场竞争中占据优势。

　　四是保证数据安全：开源预训练模型提供本地化部署可能性。

　　提升数据安全保护的最直接的方法之一就是本地化部署。通过将开源预训练模型部署在本地服务器或私有云环境中，安防企业用户可以完全掌控数据的存储、处理和传输过程，从而最大限度地减少数据泄露的风险。本地化部署不仅确保了数据的物理隔离，还允许用户根据自身需求对模型进行定制化调整，进一步提升模型的适应性和安全性。

　　此外，本地化部署还为企业提供了更高的灵活性和自主性。企业可以根据自身的业务需求和数据特点，对模型进行微调和优化，而不必依赖外部服务提供商。这种自主性不仅有助于提升模型的性能，还能更好地保护企业的知识产权和商业机密。

　　黄仝宇：首先，从技术层面来看，大模型与行业应用的深度融合是一大挑战。安防行业具有其特殊性，对于数据的实时性、准确性和安全性要求极高。因此，如何将大模型的高效算法与安防系统的实际需求相结合，实现精准识别、高效预警和智能响应，是当前亟需解决的问题。此外，大模型在安防场景中的泛化能力也需进一步提升，以适应不同环境、不同时间段以及不同对象的变化。

　　其次，数据安全与隐私保护同样不容忽视。安防行业涉及大量业务数据，在部署大模型时必须构建完备的数据加密、访问控制以及隐私保护机制，确保数据的安全性与合规性。

　　再次，成本问题也是制约大模型在安防行业普及的关键因素。大模型的训练、部署和维护成本较高，因而如何降低大模型的应用门槛，推动其向更多企业普及是当前需要解决的问题之一。

　　此外，人才短缺也是制约大模型落地的重要因素。大模型的应用需要具备一定的技术背景和专业知识，但目前市场上相关人才相对匮乏，难以满足行业需求。因此，加强人才培养和引进，提升行业人员的整体素质，是推动大模型在安防行业落地的重要保障。

　　尽管面临诸多挑战，但以ChatGPT、DeepSeek为代表的预训练大模型的出现无疑为行业大模型的部署及应用普适化提供了有力支撑。这些大模型在自然语言处理、场景理解等领域展现出强大的能力，为安防行业提供了更加丰富、智能的解决方案。随着技术的不断成熟和应用场景的不断拓展，相信行业大模型的部署及应用将更加便捷、高效，从而加速其在安防行业的普及和应用。

　　《中国安防》：目前，全球人工智能发展正处于由弱人工智能向强人工智能过渡的阶段，往未来看您认为安防行业大模型的发展最重要的突破方向和趋势会是什么？

　　上下滑动查看更多

　　章勇：随着人工智能技术的不断演进，安防行业大模型的发展将呈现出一系列关键的突破方向和趋势，这些趋势不仅将重塑安防行业的技术格局，还将极大地提升安防系统的智能化水平和应用效能。

　　第一，跨模态融合：多模态数据的深度融合与全面情境感知。

　　未来的安防大模型将不再局限于单一模态的数据处理，而是进一步实现多模态数据的深度融合。这意味着系统将能够同时处理视频、音频、文本等多种形式的数据。通过跨模态融合，安防系统不仅能“看”，还能“听”和“理解”，从而构建出更加全面的情境感知能力。这种多模态的协同处理将使系统能够更准确地识别复杂场景中的潜在威胁，从而提升安防系统的整体效能和可靠性。

　　第二，自适应学习：动态环境下的持续优化与自我调整。

　　安防场景和环境条件的频繁变化，意味着安防系统需要具备更强的学习能力和自我调整能力。这就要求大模型不仅能够在新任务上表现出色，还要能够持续从环境中学习并优化自身性能。通过持续学习和自我优化，系统能够更好地适应动态变化的安全环境，从而始终保持高效的防护能力。这种自适应学习能力将使安防系统从传统的静态防御模式转变为更加灵活、智能的动态防御体系，极大地提升其应对复杂场景的能力。

　　第三，本地化部署与边缘计算：本地智能分析与快速响应。

　　为了增加数据安全和提高响应速度，未来的智能安防功能将更多地在本地部署，并利用边缘计算的能力。这意味着智能分析不再需要单纯依赖远程和中心服务器，而是可以直接在本地完成，从而保证了数据隐私，更加快了对异常事件的处理速度。本地部署的大模型算法可以快速识别异常事件并发出警报，这种本地化的智能分析不仅能够显著降低数据传输延迟，还能在网络不稳定或带宽受限的情况下确保系统的正常运行。

　　第四，大模型智能体普及：从规则驱动到智能体主导的业务模式转变。

　　传统安防系统大多基于固定的规则和预设的逻辑，面对动态变化和复杂场景时往往显得力不从心。例如，当出现新的用户需求或未知的安全威胁时，系统可能需要大量手动调整和更新规则才能应对。相比之下，大模型智能体凭借其先进的规划能力和灵活的工作流设计能力，将彻底颠覆这一现状。智能体能够自主地识别问题、理解用户意图，制定解决方案，并根据实际情况自动调整策略，无需人为干预。这种智能化的业务模式将使安防系统更加高效、灵活，能够更好地应对复杂多变的安全挑战。

　　黄仝宇：我认为安防行业大模型的发展最重要的突破方向有如下几个方面：

　　其一，多模态大模型融合应用。通过整合文本、图像、音频、视频等多类型数据，大幅提升安防系统对复杂场景的理解与分析能力，进而提供更为全面、精准的安防解决方案。

　　其二，强化大模型安全性。随着网络攻击手段日益复杂，必须持续增强大模型的安全防护，防止其被恶意利用导致安防系统失效，全力保障系统稳定运行。

　　其三，深化大模型智能化与自主决策能力。鉴于安防场景的复杂多变，未来大模型需具备更强的实时感知、理解及判断能力，能够自主处理海量视频与图像数据，精准识别潜在威胁并作出恰当决策，如自动区分不同异常行为并给出对应处置策略。

　　为适应这些突破方向和趋势，我们要加大技术研发与创新投入、重视数据治理、优化算力与存储资源配置并积极构建产业生态，推动安防行业健康、有序发展。

　　《中国安防》：DeepSeek开源后，贵公司是否考虑对接及集成DeepSeek模型能力？在人工智能发展方面未来的重点考虑是什么？

　　上下滑动查看更多

　　章勇：苏州科达（603660）在2023年7月就提出了行业垂域的开端大模型KD-GPT。开端大模型由行业语言大模型、多模态大模型和AIGC图像大模型三大类组成。

　　在过去的一年多时间里，开端大模型已经在安防行业得到了全面应用。如上所述，DeepSeek大模型和开端大模型并不是竞争关系而是上下游关系，DeepSeek可以作为我司行业语言大模型的基座模型。

　　面对DeepSeek的出现，我们在战略和战术层面上有如下设想：

　　第一，战略层面：继续深化大模型研究与投入。

　　DeepSeek的出现并不与我们专攻行业大模型的战略方向产生冲突，相反，DeepSeek的成功进一步支持了AI大模型在安防等各个领域快速落地的依据，坚定了我们在这一方向持续投入研发的决心。DeepSeek的快速崛起，证明了即使在资源有限的情况下，通过技术创新和战略选择也能实现突破。这对我们来说是一个重要的启示，即专注于特定行业的深度需求，并结合先进的算法和技术，可以开辟出一条差异化竞争的道路。

　　第二，战术层面上，充分借鉴DeepSeek的成功经验。

　　我们依旧坚持采用通用大模型加上针对特定行业的数据进行微调的方法。这种方法能够确保我们的解决方案既具备广泛的应用潜力，又能满足具体行业的特殊要求。另一方面，DeepSeek的技术特点，特别是其在深度思考、大模型蒸馏和强化学习方面的探索，为我们提供了新的思路和方法。例如，在面对复杂问题时，深度思考和长思维链机制能够模拟人类的逻辑推理过程，通过多步骤的思考和分析，逐步推导出更准确的结论。这种机制的引入，本质上会使得模型能够更好地理解和处理复杂的多模态数据，我们将尝试将这种深度思考和长思维链机制推广到多模态大模型中，使其能够更好地适应复杂多变的安防场景，提升系统的整体智能水平。其次，参考DeepSeek的大模型蒸馏技术，我们可以将DeepSeek的强大能力转化为适合行业需求的小型化、高效化模型版本，从而在不牺牲性能的前提下实现更广泛的部署和应用，这对于安防行业来说具有重要意义，因为许多安防设备的计算能力和存储资源有限。此外，DeepSeek在强化学习的进步也为我们的技术研发提供了新的可能性，强化学习方式使得模型能够根据不断变化的环境和任务需求，动态调整自身的决策逻辑和行为模式。在安防领域，安全场景的多样性和动态性要求模型能够快速适应新的挑战。强化学习的进步让我们看到了通过不断迭代优化模型性能的巨大潜力，这将成为我们未来技术研发的一个重要方向。

　　最后，DeepSeek的巨大成功，必将加速AI智能体在各行各业的落地进程，因此，我们将热情拥抱AI智能体这个技术方向，系统性的改变安防业务的设计模式。在传统安防领域，安防系统大多依赖于预设规则和人工干预，这种模式在面对复杂多变的安全场景时往往显得力不从心，而基于大模型的AI智能体具备强大的自主学习、运用工具和准确决策能力，不仅能独立执行任务，还能与其他智能体协作完成复杂的任务，最终达成解决方案层面的全面协调。我们相信，AI智能体的广泛应用将成为安防行业智能化转型的关键驱动力。通过引入基于大模型的AI智能体，我们能够构建更加灵活、高效且智能的安防系统，从而为客户提供更全面、更方便、更精准的安防业务。

　　黄仝宇：自DeepSeek问世以来，国投智能迅速响应，公司各业务线第一时间启动与DeepSeek的技术融合与对接工作。由国投智能自主研发的“天擎”公共安全大模型作为国内率先通过国家网信办算法备案的行业大模型，通过与DeepSeek的技术协同，补强了其公共安全行业私有化知识不足，开展参数优化提升行业适应性，解决复杂案件处理过程中模糊信息推理、跨模态推理等实战难题，提升了公共安全场景的推理准确率。同时，我们推出了天擎+DeepSeek“双模”驱动的可私有化部署的国产化人工智能一体机解决方案，以“软硬一体、开箱即用”的模式，实现技术赋能与安全可控的双重突破。

　　我司自研的智能体构建及应用平台Qiko通过接入DeepSeek，在用户意图理解、复杂问题处理以及精准回答方面得到显著提升，使用户与Qiko的交互过程变得更加流畅自然，极大地提高了平台对用户需求的精准把握和处理能力，为用户带来更加优质、便捷的交互体验。

　　在智慧安防领域，基于“天擎”公共安全大模型的多模态能力，“慧视”视图大数据平台全面升级，通过DeepSeek的赋能，进一步拓展平台的应用边界与实用价值，为用户提供更为丰富、实用的安防解决方案。

　　此外，我们主动把握DeepSeek带来的机遇，在电子数据取证、税务稽查、纪检监察、网络安全及智能装备等多个领域深入应用，为各行各业量身打造更为智能化的解决方案，有力推动了众多行业的智能化转型与升级。

　　作为国投集团参与国家数字经济安全稳定发展平台，未来国投智能将继续聚焦大模型技术应用、生成式人工智能和人工智能安全三个核心方向，深化人工智能技术在全行业、全产品线中的应用,从“All in AI”到“AI is All”，打造更加智能、高效、便捷的产品与服务，为推动我国人工智能行业的多元化发展贡献力量。