1.成本高
当前，影响“安防+AI”产品解决方案规模化应用的因素有很多，成本高昂是众多原因之一。从一个典型中大型城市级公共安全视频监控联网项目各部分成本占比情况可以清晰看出，成本是“安防+AI”发展的重要瓶颈。设备本身由于产品性能、算力性能等多方面要求造成布置成本较高，而科学化勘布点需求带来的时间和人力成本，海量图片高并发网络带宽需求带来的设备和链路成本，多业务系统联网应用带来的沟通和研发成本，大数据研判分析应用带来的设备及研发成本，以及不断增长的设备与集成施工和机房改造等因素则进一步叠高了“安防+AI”落地的成本。
2.场景限制高
人工智能算法的泛化能力是模式识别问题长期面临的一个问题，也是现阶段的主要瓶颈。由于训练好的模型用在变化的场景中性能往往会明显下降，因此在实际使用中，必须对场景进行严格定义，或者从设计上将智能算法定位为对指标不敏感的辅助功能。在比较成熟的应用中，如智能交通中的过车及违章抓拍、机场车站的人证对比等，都需要具体的工程安装方案。这种做法在技术不够成熟的条件下有效实现了商业价值，但缺点同样明显：一方面，对已有设备的改造需要增加施工成本，影响人工智能算法对传统应用的渗透;另一方面，也限制了获取有效素材的效率，影响算法指标的进一步提升。
3.布点困难
人工智能往往有特定的场景要求，只有在特定场景下才能保持较好的识别率。按照《安全防范视频监控人脸识别系统技术要求》(GA/T 31488-2015)，《安防人脸识别应用视频人脸图像提取技术要求》(GA/T 1334-2016)等技术要求，人像识别摄像机主要指安装在公安检查站人行通道，如车站、机场、码头等出入口或闸机，以及人行道、非机动车道、步行街、商业中心等重要部位出入口，能够有效限制人员通行、具有良好人像抓取条件的部位，应面向人员行进方向正面安装，具有良好的光照条件。
人像抓拍摄像机的架设位置应满足GA/T 922.2-2011的要求。对漏报无专门要求的场景可采用上限位置安装，视场内应避免有遮挡目标人的物体。
4.安全要求更高
人工智能技术的蓬勃发展赋予了安防监控系统更加多样化的业务功能，将安防监控行业的市场空间进一步拓宽，使安防监控系统在各行各业得到广泛部署。但从风险角度而言，在AI与安防融合发展的进程中，将大量非结构化视频转化为可快速检索的结构化数据，一旦网络被攻击，数据泄漏后的损失将更为恶化。另一方面人工智能将大量视频、图片集中到云中心，也对网络带宽提出了更高要求。此类需求和风险可归类为以下三个方面：
(1)现阶段大量部署的终端计算设备安全风险高，暴露设备数量太多、暴露端口太多、设备漏洞太多、固件更新不及时、通信协议安全性不高、数量过多无法管控 。
(2)监控等物联网设备已经成为新的攻击目标(僵尸网络与 DDOS、远程录拍、勒索病毒、挖矿木马、 APT 攻击)。
(3)人工智能的发展，数据被终端采集后传输汇集到集中式云计算中心，网络实时性和带宽都带来量级的要求，对云中心部署方案带来了挑战，同时还需要新的模式来适应 AIoT。
5.当前AI大数据分析技术主要存在的问题
视频监控系统产生的数据量庞大，而且日趋多元化，包含非结构化数据、半结构化特征数据以及结构化数据。当前的人工智能视频大数据分析技术主要存在如下三个问题：
(1)非卡口场景的视频分析算法在准确率、 稳定性及计算成本等核心指标方面还有待提高，导致非卡口场景的存量视频利用率极低，目前没有有效利用的非卡口监控视频约占监控视频总量的 97%左右。
(2)当前的人脸识别技术、行人识别技术、行为分析等视频分析技术往往是接近于实验室场景下的初级应用、数据孤立下的单点识别应用，距离全天候场景下的精准锁定以及最快时间、最小成本、跨摄像机下的识别搜索，还有很大的差距，真正解决客户实战问题的能力还有待于提高。
(3)智能 AI 摄像机及视频结构化分析产品开始进入安防市场，产生了海量的结构化视频数据，但基于结构化视频数据的深度智能应用，如时空分析、模式挖掘、预测预警、技战法训练等尚在探索阶段，有可能形成新的数据浪费和低效投资。
