机器驱动的视频促使行业重新思考视频压缩、计算与网络架构
内容提要
物理AI依赖摄像头与视觉传感器，但传统视频压缩面向人类观看，保留大量机器无用信息，造成带宽、功耗与处理瓶颈。行业正转向面向机器的特征编码（FCM）及VVC for Machines，在边缘直接提取特征，使FCM带宽降至传统编解码器的1/18至1/25。物理AI还推动处理向边缘迁移，以缓解网络与算力压力，并带来隐私与互操作挑战。
延伸解读
从“给人看”到“给机器用”：压缩目标变了
传统视频编解码器（如HEVC）以人类视觉保真度为核心，会保留大量对机器决策无用的信息，而机器学习系统在分析时又将其丢弃。FCM则直接在边缘提取特征并生成仅含特征的码流，省去“编码-传输-解码-再提取”的冗余链条。这不仅是带宽优化，更是压缩评价标准的转变：从图像质量转向检测精度、处理效率和下游决策可靠性。
边缘处理缓解的不只是网络带宽
物理AI产生海量视觉数据，例如一辆自动驾驶汽车每小时可产生约5.5 TB原始视频。若全部回传中心处理，局域网、边缘服务器、内存、存储和供电都会承压。面向机器的压缩让更多处理发生在相机和传感器附近，减少数据搬运，并允许AI推理负载分布在终端、边缘和云端。这对芯片设计也提出新要求：相机处理、AI加速器、内存、视频引擎、连接和安全需更紧密集成。
FCM与VVC for Machines：两条路线各有取舍
VVC for Machines在保留传统视频表示的基础上，融入提升机器分析性能的方法，适合已有视频基础设施的组织，迁移路径更熟悉，但仍保留部分传统编解码器的处理开销。FCM则专用于压缩中间神经网络特征，压缩效率更高、计算分配更灵活，但更依赖底层AI模型和应用需求。企业选型需权衡基础设施兼容性、带宽效率、计算需求、精度和部署复杂度。
隐私与互操作：效率提升之外的新风险
传输特征而非完整图像，可减少离开设备的敏感视觉信息，但文章提醒，基于特征的压缩本身不能独立保证隐私：安全控制、系统架构以及从特征重建敏感信息的可能性仍需考虑。此外，智能边缘设备间直接通信（如车辆交换道路危险信息）虽可降低对集中处理的依赖，却引入互操作性、同步和可靠通信的新要求。行业需开发既保留机器所需信息、又最小化计算与网络资源消耗的互操作方案。
Q&A
为什么传统视频压缩技术不适合物理AI应用？
传统视频压缩技术是为人类观看设计的，注重视觉保真度，会保留大量对机器决策无用的信息。物理AI应用只需要足以完成功能的视觉信息，多余信息会浪费带宽和功耗，甚至可能损害机器功能。此外，传统架构需要先编码传输再解码提取特征，容易造成处理瓶颈。
FCM（面向机器的特征编码）是什么？它有什么优势？
FCM是一种面向机器的特征编码方案，它直接在边缘提取特征，生成仅由特征构成的码流，而不是压缩像素信息。优势包括：带宽用量仅为传统编解码器的1/18到1/25，同时保持相当的物体检测和追踪精度；减少内存搬运和网络流量；允许AI推理负载分布在终端、边缘和云端。
物理AI如何推动处理向边缘迁移？
物理AI产生海量视觉数据（如自动驾驶汽车每小时约5.5TB原始视频），给网络、计算和存储带来压力。面向机器的压缩允许在相机和传感器附近进行更多处理，减少数据搬运，缓解局域网、边缘服务器和供电系统的压力。同时，芯片设计需集成相机处理、AI加速器、内存等，支持推理负载在终端和边缘分布。
VVC for Machines和FCM有什么区别？企业该如何选择？
VVC for Machines基于传统视频编码，保留视频表示的同时融入提升机器分析性能的方法，适合已有视频基础设施的组织，迁移路径更熟悉，但仍有传统编解码器的处理开销。FCM则压缩中间神经网络特征，供下游机器学习系统消费，压缩效率更高、计算负载分配更灵活，但更依赖底层AI模型。企业需在基础设施兼容性、带宽效率、计算需求、精度和部署复杂度之间权衡。
基于特征的压缩能解决隐私问题吗？
传输提取后的特征而非完整图像可以减少离开设备的敏感视觉信息量，但基于特征的压缩本身不能独立保证隐私。安全控制、系统架构以及从传输特征中重建敏感信息的可能性仍是必须考虑的因素。
机器视觉的压缩性能应该如何评估？
机器视觉的压缩性能评估已超出图像质量范畴，扩展到检测精度、处理效率以及下游机器决策的可靠性。不同应用有不同精度要求，视觉解读中微小的错误也可能带来严重的运营后果，因此需要一套更广泛的度量方法。
物理AI的扩展对网络和半导体架构有什么影响？
物理AI的扩展给企业网络、本地计算和半导体平台带来巨大压力。持续的视频采集需要网络、边缘服务器、内存、存储和供电系统承受更大负载。半导体设计需集成相机处理、AI加速器、内存、视频引擎、连接和安全能力，并支持AI推理负载在终端、边缘和集中式系统间分布。此外，智能边缘设备间的直接通信（如车辆间交换危险信息）可降低对集中式处理的依赖，但引入互操作性、同步和可靠通信的新要求。
