安防AI的发展主要面临以三个方面的挑战：算法的场景适应能力、大规模应用的技术与经济可行性和面向业务应用的解决方案。
算法的场景适应能力
以人脸识别为例，目前绝大多数厂商的算法来源于对人脸静态图片的学习训练—比如标准证件照，对所采集的人脸照片的清晰度、光照、角度、妆容都有着严格的要求，但在实际监控场景中，除了室内个别环境外，绝大多数现场环境采集的人脸图片无法满足这样的要求，造成人脸识别精度的大幅度衰减。如国内某知名厂商的人脸识别算法在静态人脸比对测试中总是名列前茅，但其复杂环境下动态人脸识别的效果就比较差，特别是在偏转角度较大（超过30°）、化妆、戴墨镜、戴口罩等情况下识别率会大打折扣。
大规模应用的技术与经济可行性
目前计算机视觉的大规模运算还主要依赖GPU和CPU的算力，以人脸识别和视频结构化分析为例，一般利用GPU做视频图像处理与特征解析运算，用CPU做人脸特征比对运算。在复杂动态人脸采集环境下，1台8卡GPU（TESLA P4）＋2个16核CPU服务器每秒可支持80路1080P高清视频实时动态解析和100万库的实时动态比对运算，硬件成本折合4000元／路，电力消耗（服务器自身耗电＋散热制冷耗电）折合每年800元／路。如果采用800万像素的监控图像，硬成本会再增加3倍，这还没有计算算法与应用软件系统的费用，如此高昂的建设与运行费用很难得到大规模的应用推广。
面向业务应用的解决方案
AI是一项技术，从AI技术到客户价值，需要一整套的产品与解决方案，向客户最终交付的是应用，尤其是面向业务的应用软件，不同行业、不同场景、不同用途的业务应用都不尽相同，需要针对性的集成与应用软件开发，否则无法规模化推广。而目前情况来看，无论是AI算法厂商、安防产品商还是系统集成商，都不具备全行业应用软件的开发能力。
