一个几平方公里的园区，门口有闸机，楼里有门禁，路上有摄像头，配电房有电表。这些设备本来各管一摊，连成一张网之后，才有可能回答「现在园区里发生了什么」。智慧园区的 AI 大多落在这张网上，安防和能耗是最先跑起来的两块。下面按环节拆开，说明算法能给出什么线索、哪些决定必须由人做出，以及留存期限这条线通常怎么划。
园区为什么成了落地密度高的地方
园区有两个别的场景没有的条件：物理边界清楚，数据来源集中。围墙、闸机、摄像头天然记录了「谁在里面、什么时候进出」，这些数据不需要额外采集就能用。相比之下，城市级场景要打通多个部门，工业场景要改造产线，园区的改造量小得多。另一个条件是成本可归集：电费、保安人力、事件处置开销都记在园区运营方账上，投入和产出能对上号。两个条件叠加，让园区成了各类方案的试验场，也让它成了「装了不用」的高发区。
四个环节的能做与不能做
把园区里常见的四类应用放在一起看，边界比功能更重要：
| 环节 | 能做 | 不能做 |
|---|---|---|
| 出入口与访客 | 车牌与人员识别、访客预约核验、尾随通行的提示 | 不能替代人工核验身份，借卡通行、证件冒用识别不出 |
| 周界与行为 | 翻越、长时间滞留、重点区域闯入、人群聚集的提示 | 不能判断意图，雨天、夜间、树影晃动时误报明显上升 |
| 能耗管理 | 按人流、时段、天气调节空调照明，找出异常用能 | 不能替代设备检修，管路漏损、机组老化仍要靠工程判断 |
| 企业服务 | 报修受理、政策咨询、入驻需求归集与分类 | 不能承诺办理结果，涉及审批的环节仍要走人工流程 |
这张表里，第二行的落差最大。演示环境里「翻越识别」看起来很准，到了真实园区，一场雨、一次路灯故障、一棵树的新枝，都会让提示量翻几倍。评估这类系统，要看最差那一周的表现，晴天里的准确率说明不了什么。
安防和能耗先跑起来的原因
两者都有明确目标和可量化结果。安防减少的是事件数量和保安巡楼的人力，能耗省下的是电费，这两笔账每个月都能对上。招商和运营类应用的效果受市场环境影响大，签下一家企业到底有多少是 AI 的贡献，很难单独切出来。回报看得见，预算才容易批；这也解释了为什么很多园区的「智慧」停留在安防和能耗两层，再往上就走不动了——技术并不缺，缺的是能说清的价值。
算法给线索，人做决定
这条线必须在制度里写死。系统提示「某处有人翻越围墙」，这是线索；保安到场核实、确认是否发生、涉及谁，这是取证；是否通报、是否按园区规定处理、是否需要报警，这些决定必须由有职责的人依据规定作出。让算法直接生成处理结论，问题不在准确率，而在责任无从归属——一旦误判，没有人能说清这个决定是谁做的。标题里的「30 日」通常指监控录像的留存口径，具体天数与适用范围各地规定并不一致，以本地主管部门和园区自身的管理制度为准。可以确定的是方向：留存要有期限、调取要有记录、超出必要范围的查看要有人批。人脸、轨迹这类信息属于个人信息，采集前要有告知，采集范围要限于安防必要，不能顺手拿去做别的事。
误报率是被低估的成本
一套系统每天弹几百条提示，值班员第三天就开始麻木，真正的异常也会被划过去。误报的代价不在设备，而在人的注意力被消耗掉。压误报有几种常见做法：把提示分级，只让高置信度的直接推给人；把低置信度的攒成日报，由人集中看；按区域和时段调阈值，夜间周界敏感、白天大厅放宽。这些调整需要持续做，没有一劳永逸的参数。阈值调低还会带来另一类问题：某些区域、某些时段被提示的概率明显更高，住在那一片的人会觉得自己被多看了几眼，这类偏差值得定期复核，相关讨论可看 AI 偏见。判断供应商是否靠谱，可以问一句「上线三个月后，误报率怎么复核、谁来调」，答不出具体机制的，后续大概率要自己扛。
它能给线索，但给不了处罚依据
安防 AI 能看见画面里的形状和运动，看不见动机。它能提示「这个人在门口站了很久」，不能判断他是在等人还是在踩点；它能统计「这层楼今晚没人」，不能确认「设备是否该关」。它对环境变化敏感，摄像头角度一调、装修一改，原来的识别效果就要重测。它也不解决系统之间的隔阂，门禁、视频、消防、停车往往由不同厂商建设，数据不通是园区最常见的落地障碍，这一层要靠接口和标准去补，算法补不了。相关概念可以看 计算机视觉 与 可解释性：前者解释它能识别什么，后者解释为什么「给个理由」在安防场景里同样重要——被提示的人有权知道，是什么触发了这条记录。
速查：园区安防的四条线
- 算法出线索，核实与处置由有职责的人做
- 误报要分级、要有人定期复核，参数不是一次调好
- 人脸与轨迹采集限必要范围，留存有期限、调取有记录
- 系统之间数据不通，是比算法更常见的障碍
