AI 视频墙：面向 NOC 的异常检测

推动这一转变的，正是当前的产品动向：Userful 的 Infinity EdgeAI（2025 年 9 月与 Microsoft 共同发布）、俄罗斯市场上 Visiology 的 Cortex 平台，以及 Hiperwall、VuWall 和 Polywall 低调但日益加速的一系列自研项目。

产品问题不再是“它能渲染多少路信号源”，而是“视频墙究竟能替操作员察觉到什么”。

本文介绍 AI 增强视频墙目前实际交付的功能、其底层架构、为什么本地推理是唯一能通过合规审查的路径，以及此类部署在生产环境中究竟在哪里失败。

“AI 增强”对视频墙究竟意味着什么

剥去营销话术，这个说法涵盖四项具体功能。其余的要么是换了标签的这四项功能之一，要么是尚未交付的路线图承诺。

• 实时流异常检测。模型——通常是 YOLO v8 / v9 系列的目标检测模型，或用于数据看板信号源的较小型时序异常检测器——在每一路接入的流上运行，并输出置信度分数。视频墙控制器订阅这些分数，可在分数超过阈值时作出响应。常见于交通枢纽、周界安防和能源 SCADA 数据看板。
• 信号源自动放大（自动切换布局）。检测一旦触发，对应的窗口就会放大并移到视频墙中央区域，一直停留到操作员确认或检测解除为止。布局引擎必须同时支持平滑过渡（带动画的固定 / 缩放）和硬切（瞬间重新排布）——操作员对这两种方式的反应各不相同。
• 目标计数与停留指标。人群密度监控场景中的人脸计数、交通场景中的车辆 / 车牌计数、零售场景中的排队长度。输出通常是叠加在信号源窗口上的一个数字，或推送到同一面视频墙上渲染的另一个数据看板。
• 跨信号源关联。这是最新的一个层级：把多路信号源送入同一条推理流水线，输出一个驱动视频墙布局的“态势评分”。Userful 的 Infinity EdgeAI 演示了这一功能：将 Splunk Enterprise Security、一路 VMS 视频流和一个楼宇管理遥测信号源统一呈现在一个面板中。坦率地说，这项技术仍处于早期阶段——2026 年大多数实际部署仍停留在单信号源异常检测。

当前的品类标杆

2026 年，有三款产品为这一品类树立了标杆，各自押注的方向不同。

Userful Infinity EdgeAI 最受关注。它于 2025 年 9 月以预览版形式发布，由 Userful 与 Microsoft 共同开发（使用 Azure IoT Edge 部署模型），自 2026 年起可通过 Azure Marketplace 获取，并以 Userful 与 NVIDIA 在 Inception 计划中的合作为基础。

其定位是“运营感知平台”——Userful 有意让产品跳出“视频墙软件”的框架，进入利润率更高的品类。集成对象包括 Splunk Enterprise Security、Genetec Security Center、Microsoft Sentinel 和 Everbridge CEM。

定价沿用 Userful 其他产品所采用的企业订阅（Enterprise Subscription）模式：在奥斯汀市的合同中，平台价格为每台显示屏每月 $42（约合每台显示屏每年 $504），另加 $13,014 的部署费，且尚未计入任何 EdgeAI 费用。

Visiology Cortex 是俄罗斯的同类产品，属于 Visiology 更大的分析平台的一部分。它的押注方向不同：Visiology 没有与超大规模云服务商合作，而是把推理堆栈与平台其余部分捆绑在同一套本地安装中。

这契合俄罗斯的合规环境（FZ-152、FZ-187 关键基础设施规则），但限制了可选的模型范围——交付的是 Visiology 验证过的模型，而不是您可以从 Hugging Face 直接拿来使用的任意模型。

Hiperwall、VuWall、Polywall 也在讨论之列，但目前实际交付的功能较为有限。Hiperwall 的 2026 R1 版本新增了“本地操作员聊天”（一种内部协作工具，本身并非推理功能），并扩展了对 Intel GPU 的支持。

VuWall 和 Polywall 则通过各自支持 NMOS 的 TRx / Polywall 堆栈提及 AI 集成。

这些产品目前都不具备 Userful 在 EdgeAI 营销中所宣称的深度；这一差距能否持续到 2027 年，才是这个品类真正的问题。

底层架构

剥去品牌包装，运行时堆栈最终归结为三个组成部分。

• 模型。YOLO v8（Ultralytics）和 v9（由台湾“中研院”的研究人员开发，Ultralytics 也将其集成到自家软件包中）是目标检测的默认选择——它们在通用 NVIDIA GPU 上能达到可用的精度 / 延迟平衡点。务必核实许可条款：Ultralytics 软件包采用 AGPL-3.0 许可协议，YOLOv9 原始代码采用 GPL-3.0 许可协议，因此闭源商业产品通常需要购买 Ultralytics 企业授权，或改用宽松许可的模型。对于更专门的用例——人脸计数、车牌识别、武器检测——模型会加上专用的检测头，但推理结构基本不变。
• 运行时。ONNX Runtime（参见面向视频墙的边缘 AI）是通用标准：厂商将 PyTorch / TensorFlow 模型导出为 ONNX 格式，再通过与框架无关的运行时执行推理。对视频墙硬件而言，重要的后端有两个：面向 RTX 级 GPU 的 NVIDIA TensorRT（比纯 ONNX Runtime 快约 3-5 倍），以及面向 Iris Xe 集成显卡和 Arc 独立显卡的 Intel OpenVINO。两种后端使用同一个 ONNX 文件，因此把生产模型从 NVIDIA 切换到 Intel 只是部署时的决定，无需重新训练。
• 编排。要“从中心位置把装有这个模型的容器部署到这台视频墙控制器上”，Microsoft Azure IoT Edge 是目前的默认选择。对于不使用外部编排器的本地部署，Kubernetes（在视频墙主机上运行 k3s）也能实现同样的功能，只是配置工作量更大。通常的做法是把每个模型容器化，由编排器将容器分配到可用的 GPU 上。

GPU 选型可遵循一条在大多数已公开部署中都成立的粗略经验法则：单块 RTX A4000 级 GPU 可承担 8 到 12 路并发 1080p 视频流的 YOLO 级检测，同时仍能容纳视频墙的渲染负载；RTX A5000 / A6000 大约可将这一数字翻倍。

超过约 20 路视频流后，AI 负载就会开始与合成器争夺 GPU 资源。此时合理的架构是在视频墙控制器旁单独部署一个推理节点，通过消息总线回传分数，而不是在同一块 GPU 上运行。

本地部署要求没有商量余地

每一个认真推进的 AI 视频墙采购项目，最终都会落到同一条硬性底线上：实时视频不能离开设施。以下三类监管框架决定了这一点。

• GDPR（欧盟）。拍摄可识别个人的摄像头产生的是第 4(1) 条所定义的个人数据。将这些数据发送到第三国的云端推理端点，需要有据可查的传输机制（对美国服务商而言，即欧美数据隐私框架或标准合同条款），而许多设施不愿意让实时视频依赖这些机制。最简单明了的答案是：“推理在本地运行，云端最多只能看到元数据。”
• FZ-152 与 FZ-187（俄罗斯）。二者分别是个人数据本地化规则和关键基础设施规则。俄罗斯国有客户以及大多数能源 / 交通设施必须在俄罗斯境内运行推理，而且通常是在现场运行。Visiology 押注捆绑式本地推理，正是专门针对这一约束。
• FedRAMP / DoD IL5+（美国联邦）。处理受控非密数据的云端 AI 需要服务商持有 FedRAMP 授权，涉及国防数据时还需要 DoD IL4 或 IL5 授权；涉密设施（IL6）则运行在 SIPRNet 等独立的涉密网络上。默认的期望是本地推理，即把模型部署在设施自身的网络内部。

架构上的结论是：AI 增强视频墙中的 AI 部分，并不是凭一个 API 密钥就能外挂上去的云功能，而是交付到视频墙控制器上的模型文件，加上紧邻合成器运行的运行时。

把云端推理藏在光鲜演示背后的厂商，会在合规环节丢掉订单。

此类部署究竟在哪里出问题

模型很少是失败的根源，真正的问题出在三个运营环节上。任何想把厂商重新定位为 AI 视频墙公司的人，都需要逐一回答这三个问题。

• 误报侵蚀操作员信任的速度，快于模型改进的速度。一面视频墙如果在一个班次里三次把错误的窗口放大到中央，第四次——真正的那一次——就会被忽视。标准的缓解办法是设置两个阈值：一个是“在窗口上显示小标记”的阈值，另一个是单独设定、更高的阈值，达到后才真正改变布局。产品必须为操作员提供清晰的方式来调整这两个阈值。
• 模型漂移在暴露之前悄无声息。用夏季训练数据调优的人数统计模型，到 11 月就会开始漏计身穿厚重冬装的人。用欧洲车牌调优的车辆检测器，到了中东性能就会下降。产品需要一个监控层——随时间变化的误报率、人工干预次数——让系统集成商能够赶在客户之前发现漂移。
• 对受监管买方而言，被放大窗口的审计追踪不可或缺。当视频墙在 14:03:17 把 17 号摄像头画面放大到中央并持续 42 秒时，当时的分数是多少？由哪个模型版本生成？随后操作员做了怎样的确认？大多数合规审查人员都要求能够回答这些问题。能给出答案的厂商可以进入受监管设施；给不出答案的，只能留在企业 AV 市场。

Craft Wall 的定位

Craft Wall 在服务器 GPU 上运行视频分析：驱动视频墙的同一台本地 Linux 服务器（配备 NVIDIA GPU）负责处理摄像头视频流，分析结果与相关的摄像头画面和数据看板一同显示在视频墙上。

因此，视频始终不会离开设施，也不涉及任何云端推理服务。

一台服务器在持续渲染视频墙的同时能分析多少路视频流，取决于视频流的分辨率、帧率和分析负载，因此 GPU 需要按项目逐一选型，而不是套用固定的路数。

坦诚的结语

AI 增强视频墙目前还算不上一个产品品类，而是一种部署模式：Userful 目前最擅长阐述这种模式，Visiology 则最擅长在单一监管体系内实现交付。大多数其他厂商将在 2026-2027 年跟上。

买方要问的不是“哪家 AI 视频墙厂商最好”，而是“哪个用例真正值得在视频墙上做推理，我们现有的基础设施是否已经支持”。

在 12 路摄像头的周界上做异常检测，是非常契合的用例；横跨 SIEM + VMS + BMS 的跨信号源关联，则是大多数设施在未来两年内都不会真正运行的营销演示。

延伸阅读：面向视频墙的边缘 AI 术语条目；IPMX、ST 2110 与 SDVoE 对比，了解底层的传输问题；以及 Craft Wall 与 Userful 对比，了解 AI 能力在竞争评估中的位置。