先说一个扎心的数字：某周期内，东航食品机坪上的 AI 监控系统报了 9 起高风险事件，核查下来只有 3 起是真的，准确率 33.3%。更早的阶段，这个数字一度只有 10%。也就是说，系统喊十嗓子，九嗓子是"狼来了"。
这事发生在全国各大枢纽机场。东航食品运营着 600 余辆配餐食品车，穿梭于配餐楼和停机坪之间，把热餐准时送上飞机。疲劳驾驶、前碰撞、反光背心穿戴……这些以前靠人工盯屏和事后翻录像的活，早就上了 AI 监控。但 10 月 15 日科技信息网报道的这单与 G7 易流的合作复盘，把行业里一个不太体面的问题摆上了台面：AI 视频监控落地这么多年，最拖后腿的往往不是"识别不出来"，而是"报得太离谱"。这也是不少项目上线时热热闹闹，运营时冷冷清清的根源。
今天就着这个案例，聊四个同行都绕不开的问题。
问题一：误报多，到底伤了谁？
你可能觉得，误报嘛，多看两眼呗。但算一笔账就明白了。
东航食品原来的情况是：报警准确率一度只有 10% 上下，某周期 9 起高风险报警里 3 起是真实事件。后台上每一条报警都要人去核实，10 条里 9 条白看，值班员的耐心和警觉就这么被一点点磨掉。心理学上这叫"告警疲劳"，安防行业里它的另一个名字更直白——"狼来了效应"：等真出事那天，屏幕上的红色弹窗可能已经被下意识划掉了。
G7 易流接入"紫宝盒"AI 智盒加云端大模型做优化之后，数字变了：误报率从 20% 至 40% 降到 10% 以下，误报量减少 30%，漏报量减少 40%；云端过滤累计拦下 223 条冗余报警，月度报警量从 887 条压到 590 条；DSM 驾驶行为分析总体准确率超过 85%，高风险事件准确率超过 90%。
887 到 590，看起来只砍了三分之一，但对值班员来说，是每天少看近百条假警报；对安全体系来说，是高风险事件准确率从三成站上了九成。同样的摄像头、同样的算法方向，差别就在 "治理"二字。
| 关键指标 | 治理前 | 治理后 |
|---|---|---|
| 高风险报警准确率 | 约 10%–33.3% | 超 90%（DSM 总体超 85%） |
| 误报率 | 20%–40% | 10% 以下 |
| 月度报警量 | 887 条 | 590 条 |
| 漏报量 | 基准 | 减少 40% |
| 存量摄像头 | 原样在用 | 零更换，AI 智盒桥接 |
问题二：升级 AI，非得把摄像头全换掉吗？
这是很多甲方捂紧钱包时问的第一句，也是这个案例最有意思的地方。
东航食品和 G7 易流的合作从 2017 年就开始了，从视频监控、米级车载视频，到定制 QRC 系统，再到浦东机场升级亚米级高精度定位，八年攒下来的存量摄像头不计其数。要是每上一代 AI 就把车上的摄像头全换一遍，这个成本没几家企业扛得住。
G7 易流的"紫宝盒"给出的答案是桥接：端侧算力 3 TOPS，是传统主防设备的数倍，但部署方式是在不更换现有摄像头的前提下接入，把老摄像头的视频流接过来，在本地跑 AI 推理。老设备继续干活，新算力插上就用。
这个思路对做视频平台的人应该很熟。存量摄像机利旧，本质上是把"智能"从设备属性变成链路属性——摄像头只负责出图，聪明的部分交给链路上的其他节点。国内安防行业里几十亿路存量的底子摆在那，能利旧就不动土，这是过去几年视频联网平台能快速铺开 AI 能力的关键前提，也会是未来好几年的主旋律。
顺便说一句，利旧不只是省钱。旧设备在网多年，点位、角度、运维习惯都经过了时间验证，推倒重来反而会引入一堆新变量。很多项目升级不顺，回过头看，往往就出在"动了不该动的存量"上。
问题三：端侧 3 TOPS 和云端大模型，活儿怎么分？
大小模型协同喊了两年，落到具体项目上，分工其实很朴素。
端侧紫宝盒管"快"和"省"：疲劳驾驶、前碰撞这些需要实时判断的场景，3 TOPS 算力在本地推理，不依赖网络，车开到隧道里也不掉线；数据不过云端，隐私和带宽两头都省。
云端大模型管"懂"和"滤"：复杂场景研判、冗余报警过滤，交给算力充裕、见过世面的云端大模型。累计过滤 223 条冗余报警、月度报警砍掉近三分之一，主要就是云端这层的功劳。
还有个细节值得咀嚼：舱门智能识别场景里，食品车进入指定围栏区域并停留超过 5 分钟，系统自动连续截图分析舱门开闭状态。这不是什么高精尖算法，但把"围栏+时长+连续截图+状态判断"串成一条自动化规则，靠的是平台层把感知、判断、处置捏在一起的能力。这背后是一个朴素的道理——单点智能不值钱，串起来的智能才值钱。
问题四：误报治住了，然后呢？
给这单案例做个小结，再看远一点。
第一，AI 视频行业的竞争重心正在从"识别率"移向"准确率"。识别率是算法的事，准确率是体系的事——它包含识别、过滤、分级、处置反馈整个闭环。东航食品的报警准确率从 10% 爬到 90%，靠的不是一个更强的模型，而是端云分工加上持续的数据回流调优。
第二，利旧能力正在成为方案竞争力的硬指标。谁能让客户现有的摄像头、现有的网络、现有的平台无缝接入新 AI 能力，谁就握住了存量市场的入场券。对新建项目这是加分项，对百万路级的存量市场，这几乎是唯一解。
第三，报警数据本身开始产生二次价值。月度报警从 887 条到 590 条，被砍掉的那 297 条不是消失了，而是被系统"想明白了"。这个过程沉淀下来的误报样本，反过来继续训练模型——告警治理做得越久，壁垒越深。
还有一个容易被忽略的判断藏在细节里：这套方案里最被低估的，可能就是那条"停留超 5 分钟就连续截图"的舱门规则。它不炫技，但把业务约束翻译成了系统能执行的语言。规则化、场景化的智能编排，会是未来两年视频 AI 从"模型能力"走向"业务能力"的主要通道。
所以回到开头那个问题：AI 视频监控落地最拖后腿的是什么？不是算法不够先进，是"狼来了"喊太多。谁能把 33.3% 的准确率治理到 90%，谁就是把 AI 真正装进了业务流程。
这也正是我们在视频联网这条路上最深的体会。上面案例里的端云协同、利旧接入、告警闭环，每一环都对平台的汇聚能力提出要求——视频要从各种老设备里稳定拉出来，AI 结果要能统一接收、过滤、分级、派单，闭环要能追溯到每一个点位。这些正是智联视频超融合平台一直在做的事：以 GB28181 等国标协议为底座，兼容 RTSP/ONVIF 等多种接入方式，把存量摄像机、边缘AI设备、云端算法统一汇到一张网里，提供视频汇聚、智能分析、告警治理与分级处置的一体化能力，让"识别"之后还有"治理"，让报警真正值得人去响应。
如果你的项目里也有一批"报得多、准得少"的老监控，或者正打算在不换摄像头的前提下给存量系统补上 AI 能力，不妨从告警治理这条链路开始盘一盘——成本最低的一步，往往见效最快。
参考资料：
- 科技信息网NEWS《机场配餐不再靠人盯！G7易流 AI 方案落地东航食品，降低设备误报率》，2026-10-15
- 数据来源为报道披露的合作方口径，具体以项目实测为准