矿业的两个诉求从来没变过：别出事，别停机。前者关系到人，后者关系到产量和成本。AI 在这条线上的位置，比在「提升产量」上更容易说清楚——它把分散的传感器读数、视频画面、设备状态汇到一起，让人提前知道哪里不对。下面按勘探、安全、设备运维三段拆开，说明每一段算法能做到哪一步，以及哪些判断必须留在人手里。
它把「事后知道」变成「提前知道」
传统矿山的监测是分块的：人员定位一套系统，边坡监测一套，设备点检靠人拿本子记。信息不通，问题就要等到出事或停机才被发现。AI 在这里做的是汇聚和识别——把多路信号放在一起看，找出单看一路看不出的异常。这个定位决定了它的产出形态：它给的是「某处可能有问题」的提示，而不是「已经出了什么问题」的结论。理解这一点，后面的能力边界就好谈了。
三段业务各自能做到哪一步
把矿区常见的三类应用放在一张表里对照，能看清哪些环节真的省了人，哪些只是把人的动作换了个界面：
| 环节 | 能做 | 不能做 |
|---|---|---|
| 勘探圈定 | 用地质、物探、钻探数据建模，缩小靶区范围，排出优先级 | 不能替代钻探验证，模型给的是概率较高的区域，不是储量结论 |
| 安全监测 | 人员定位、危险区域闯入、边坡形变、设备异常的综合提示 | 做不到不漏报，粉尘、逆光、遮挡都会压低识别率 |
| 设备运维 | 用振动、温度、油液数据看趋势，提示检修窗口 | 不能确诊故障原因，拆检和换件仍要靠现场判断 |
| 运输调度 | 按产量与路况安排车次，减少空跑和等待 | 不能应对临时管制与突发地质变化，需要人工随时接管 |
四行里最容易被高估的是第一行。地质建模的产出是一张「哪里更值得打钻」的图，它能把有限的钻探工作量用在更可能出结果的位置，但最终能不能成矿，仍要钻孔取芯来说话。把模型结论当成勘探结论，是这类项目最常见的误读。
安全环节的钱为什么批得快
算账方式不同。效率类项目的收益要跟产量、单价、人工成本挂钩，中间变量多，年底一算常常说不清是系统的功劳还是行情好。安全类项目的账简单：一次事故的直接损失、停产天数、后续整改投入，都是可以估出来的数，和系统投入放在一起比，结论往往一边倒。这类「避免大损失」的场景，决策链条反而短。但也要留意另一面：正因为账好算，采购时容易出现堆设备的倾向——摄像头装得越多越好，平台功能列得越长越好，最后没人看得过来。有效的做法是先定「要防哪几类事」，再倒推需要什么数据、装在什么位置。
井下这一段，方案要迁就环境
井下的通信条件决定了技术选型。巷道里无线覆盖不连续，视频回传带宽有限，很多方案必须把计算放在边缘设备上本地完成，只把结论和关键片段传上来。传感器面临的环境同样苛刻：粉尘糊住镜头、潮气侵蚀电路、设备震动让固定支架松动，任何一项都会让数据质量下滑。数据一脏，模型的表现就会掉，这种掉法还很隐蔽——它不会报错，只是慢慢变得不准。数据漂移 讲的就是这种「输入变了、模型没跟着变」的情形，在矿区几乎是常态，需要定期用新样本复核。还有一个现实约束：不同矿山的地质条件、巷道结构、设备型号差异很大，在一个矿调好的阈值，搬到另一个矿往往要重调。
能力边界：预警之后谁接手
这是最容易出问题的一段。系统发出「某区域人员聚集」的提示，如果没人接、没有处置流程、没有回填结果，这条预警就等于没发生。时间一长，值班人员会形成「反正没人管」的判断，报警声变成背景噪音。所以一套能用的系统，必须把「谁接、多长时间内到场、处置完怎么记录」写进流程，并定期统计预警的准确率和处置率。算法这一侧也有硬限制：视频识别在逆光、粉尘、遮挡下会漏，形变监测受传感器布点密度影响，趋势预测给的是概率区间而非确定日期。相关评估方法可参考 模型评估指标，看厂商演示时，重点问漏报率是怎么测的、样本来自哪个矿。涉及安全管理的具体要求，各地监管口径不完全一致，以主管部门和矿山自身的规程为准。还有一层容易被忽略：矿上那些负有安全职责的岗位，比如值班调度、安全员、班组长，不会因为装了一套系统就免责，系统只是把信息更早送到他们面前，责任仍落在具体的人身上。
看这类项目该追问的三件事
第一句问它解决的是安全还是效率。这两类项目的验收标准完全不同，混在一起谈，最后容易两头都不落地。第二句问数据怎么采、坏了谁来修，传感器和网络是这类系统的命门，不少项目死在第三个月的设备故障上。第三句问预警之后谁处置、有没有记录，答不上来的，多半只是买了一套演示系统。视频识别本身的原理可对照 计算机视觉 看，理解它能识别什么、在什么条件下失效，比看一个准确率数字更有用。对矿山来说，AI 最实际的贡献，是让工人少下一趟危险区域。
速查：矿区 AI 的三条判断
- 先分清是保安全还是提效率，验收口径不同
- 数据采集的可靠性，比算法指标更早决定成败
- 预警必须配处置流程与结果回填，否则会失效
- 矿山之间地质差异大，方案不能直接照搬
