当前，AI大模型的爆发正重塑数字世界——算力需求持续走高，海量音视频数据占比80%以上的视觉数据，成为一类价值潜力巨大的 “新石油”。视联网通过 “云边端一体化” 架构，将分散的摄像头终端转化为统一的感知基础设施，实现全域下的海量视频采集与调用。视联网依托ULBC等技术在低码率下实现高质量视频传输，释放视觉数据的挖掘潜力。在兼顾效率的基础上，如何做好数据合规与安全防护，是视联网在大模型时代落地的核心考量。在调研分析中发现，结合隐私计算等技术可在保护数据安全的前提下，打通跨网域下的数据价值挖掘通道。本文结合视联网与大模型的落地实践，在合规框架内重新梳理从海量视觉数据的采集存储，到资源化利用的全链路要点。视联网作为音视频感知基础设施，通过技术手段平衡数据利用和保护两者之间的矛盾，从采集、聚合到挖掘加工再到数据销毁的全生命周期，实现数据可追溯可管控。在视联网体系内打通跨网域的数据价值挖掘通道，在实现数据赋能更多业务场景，这一技术路径的落地对未来数字化转型意义重大。
数据饥渴时代，视觉数据何以成为“新石油”
如果数据是AI时代的 “石油”，那么视觉数据就是这个油田中储量最丰富、价值度最高的资源。2025年以来，AI产业开启了从 “算力竞赛” 到 “数据价值挖掘” 的战略转型。大模型的性能天花板，越来越取决于训练数据的规模与质量。然而，高质量文本数据资源的挖掘成本正急剧上升，互联网公开数据已经 “榨干” 的案例不绝于耳。
海量数据却面临截然不同的问题。全球摄像头总量预计2030年将达到20亿台，这些摄像头每时每刻都在产生海量视觉信息，但绝大部分数据仍处于 “沉睡” 状态，即要么因为传输带宽受限无法回传，要么受限于隐私法规而无法直接 “被挖掘”。视联网的使命正是将遍布城乡、持续运转的 “视联网感知网络”，转化为可持续积累、可智能处理、可安全调用的高质量感知基础设施。AI时代对视觉数据的挖掘，首要攻克这一目标，即不仅要能够采集数据、传输，还要利用好的全链条技术支撑，更要将整套采集、传输、解析、挖掘全流程置于每一环节，确保视觉数据的挖掘能够在合法、正当、必要的轨道上运行。
视觉数据的规模化采集：亿级终端构筑视觉底座
视觉数据的根基首先来源于海量的前端摄像头。数据显示，中国移动已实现全国1亿路摄像头云物联互联，服务个人家庭用户超1.2亿户，政企客户超100万。这类大规模视联网采集终端的建设达到较大水平。依托平台化业务，已实现摄像头规模1500万路。在智慧社区、智慧城市、工业视觉等领域落地，视频跨域调度率达92%。在县域和乡村场景，规模化部署同样在加速推进。依托5G大量视频采集端设备被部署在田间地头，在山东智慧农田等典型场景中，中国移动通过视联网完成45倍的智慧感知资源覆盖，实现村镇公共区域全覆盖，监控覆盖率提升至95%。
需要着重留意的是，规模化采集的前提是合规与授权。视频数据采集需要遵守相应法律法规要求，坚持最小必要原则，仅在合法授权范围内采集数据，对涉及个人信息的视频数据，落实知情同意机制，并建立分级分类存储机制。简单来看，视联网通过 “云边端一体化架构”，将分散在城乡不同的摄像头汇聚成统一的数据采集节点，在合规前提下为大模型训练提供源源不断的 “原料”。
数据传输：从视频编码到超低码率语音传输
采集到的数据只是第一步。在大带宽的视频场景下，仍有数据传输难题作为限制视觉数据价值的关键瓶颈。中国移动在5G+算力网络中自研超低码率编解码项目（ULBC，Ultra Low Bitrate Speech Codec），为此提供了坚实的底层技术支撑。ULBC项目面向GEO卫星语音通信等极窄带宽场景设计，目标比特率低于3kbps。这一数据不仅远低于传统通信编解码器的水平，还意味着语音数据可以在带宽极度受限的链路下传输保持通话的清晰、自然和流畅，并维持较低的算力与内存开销。
从技术逻辑看，ULBC转变了网络传输的另一思路，即不是通过传统的方式传输整体画面，而是通过AI驱动的视频压缩，在编解码层面将信息就地做提取。这套技术遵循的端侧“计算换带宽”理念有两重价值：一是解法实现数据的压缩，二是解法做数据的传输。以上两者共同构成了视联网在跨网络场景下的数据调度能力，使视频数据即便在窄带等较差网络环境里也能稳定回传。在传输环节，视联网同步强化数据安全防护，通过加密传输、身份认证、访问权限等技术手段，保障数据在回传过程中不被窃取篡改，从而保证链路传输稳定安全。这是AI时代视联网挖掘视觉数据的第二条技术路径，即在极端条件下，依然可靠、安全的数据采集与传输能力。
数据价值挖掘与赋能：视联网大模型驱动AI进化
数据挖掘的最终目的是服务各类AI应用，即视频数据不仅“采”还要“用”，通过视联网大模型对海量视频进行拆解与提取，提取特征信息、打标签，形成可模型训练的高质量数据资产。这一过程始终坚持“数据可用不可见”的原则，通过可信隐私空间、隐私计算等技术，在不出库、不泄露原始数据的前提下完成价值挖掘。视联网可结合这一能力的算力与数据，作为视觉数据治理底座统一的载体，依托算力，通过研发配套工具链、算法管理、算法运营平台三大模块，实现全网算力的统一调度与供给，其搭载的多模态大模型，也赋予各类终端的环境感知与理解能力。
基于这一技术能力，视联网在多个行业落地了实用实践。在智慧农业领域，浙江嘉善大面积自由葡萄园产业园区依托5G+视联网，部署了农情视频监测模型，配合智能灌溉与水肥一体化系统，管理人员能够依托视频感知实现农情作业，推动农业提质增产。在工业领域，交易现场的设备巡检业务依托视联网进行视频分析识别，智能高清工业相机抓取生产线设备运行视频图像，借助5G低时延特性，视频数据被送到模型侧，通过视频特征提取并对设备故障做识别预警。在智慧交通领域，中国移动研发中心打造“AI+路侧相机”解决方案，在路面感知与车辆识别场景，通过实时回传、路侧边缘处理外，平台及各级城市管理的感知数据按需拉取，实现“一屏三端（用户端、政府监管、平台侧）”数据流转，将视联网从“人工查看”向“智能识别”转变。这是AI时代视联网挖掘视觉数据的第三条技术路径，即在合规与隐私保护前提下，将海量视觉数据转化为可被模型消费的数据集与数据资产，为AI模型的持续进化提供“原料”。
云边端协同：大小模型共生构建智能体系
视觉数据对算力要求较高，体系架构依托“云边端”协同的AI体系。传统架构采用“端侧采集+云端处理”的集中式架构，随着4K/8K超高清视频普及与实时交互需求激增，集中式架构在算力成本、传输带宽、隐私安全等方面的瓶颈日益凸显，大小模型协同技术依托云边端架构，推动视联网从“被动记录”向“主动感知、智能决策”跃迁，并将隐私保护内嵌于架构设计之中。
大模型：全局智能中枢
大模型凭借泛化能力与多模态理解能力，在协同体系中承担三项核心技术任务。一是持续多语义解析，大模型通过历史视频与实时视频完成目标检测、音视频分离后的语义挖掘生成文本描述，开展文本、语音、传感器等多模态信息，实现跨模态的语义化理解，能够将视频视觉信息与气象数据、管理通知关联，自动完成事件研判。二是长时序的趋势推理，借助上下文窗口处理长时间维度的视频序列，实现因果关系分析，从简单的目标识别升级为趋势预判。三是模型知识的动态分发，通过“蒸馏/微调”机制，将大模型学习、生成的知识迁移至小模型，为不同边缘场景提供定制化能力。
小模型：边缘智能配角
小模型部署在前端设备，通过模型压缩、知识蒸馏等轻量化设计，以及GPU/NPU硬件加速能力，解决大模型“云侧强算力、边缘弱算力”的矛盾。小模型的任务聚焦实时特征提取，在端侧完成关键要素的分类与行为特征解析，仅上传特征摘要而非原始视频数据。隐私保护层面，通过联邦学习技术在本地完成模型迭代，仅上传模型参数而非原始数据，避免敏感数据跨网传输泄露，并动态资源调配，针对不同边缘场景的设备性能差异进行负载调度。
大小模型协同调度共包含三种实现模式，持续提升整套体系的智能处理能力。系统会依据任务优先级自动拆分任务链路，借助动态路由机制，把不同任务分发至适配模型处理：端侧小模型优先完成数据初筛，静态复杂任务则调度云端大模型。整个流程分为跨域调度、决策生成等阶段，支持多分支任务处理与多模型并行推理。依托跨域资源调度技术，输入数据流能够分发至多个模型同步运算，完成并行推理校验，最终实现算力的线性扩展。在该架构下，视觉数据在采集端就可以完成预处理，仅将提炼后的高价值特征以特征向量形式上传云端，无需回传全部原始视频数据，在带宽利用率、隐私安全与模型算力开销三者之间实现平衡。这构成AI时代视联网挖掘视觉数据的第四条技术路径，即依托云边端协同智能架构，在隐私保护的基础上，完成视觉数据的智能解析与分层调度。
总结与展望
视联网整套技术体系的核心是搭建一条完整的视觉数据价值链，即从规模化、合规化的视频采集，到AI大模型的安全协同调用，再到跨域大模型带来的算法赋能与云边端协同调度。在这条价值链的所有环节中，合规与隐私保护都是不可逾越的底线。采集环节遵循授权与最小必要原则，传输环节强化加密防护，数据处理环节落地“数据可用不可见”机制，将隐私保护前置嵌入系统底层设计。
当海量公共视觉数据能够作为基础养料供给算力驱动的大模型，智能视联网这一数据基础设施的参与方，将在AI时代的数据赛道中掌握生态主动权。视联网正在释放“数据+算力”的复合价值，依托海量视频采集终端，打通从视频感知到模型训练的链路，助力主体在AI时代的数据要素竞争中抢占优势。未来，数据要素开发、数据治理体系的探索，都离不开视频感知基础设施的建设。视联网正是在坚守合规与隐私保护的前提下，持续挖掘视觉数据价值，为AI时代筑牢坚实底座。
作者：
高飞、郭勐
就职于中国移动研究院业务研究所，主要从事多媒体、视联网领域研究工作。
审核：
杨蕾 | 业务研究所
声明：本文来自中移智库，版权归作者所有。文章内容仅代表作者独立观点，不代表安全内参立场，转载目的在于传递更多信息。如有侵权，请联系 anquanneican@163.com。
