视频 AI 在城市治理中的应用边界：哪些场景适合识别，哪些不能过度依赖算法

视频 AI 在城市治理里很有用，但它不是万能钥匙。它擅长发现画面中可见、可定义、可重复训练的问题，比如垃圾暴露、占道经营、井盖异常、道路积水、施工围挡、烟火苗头、人员闯入等。它不擅长直接判断责任归属、复杂事件原因、政策尺度和现场处置优先级。

如果把视频 AI 当成“自动发现一切问题”的工具，系统很快会陷入误报、漏报和基层反感。一个纸箱滞留在路边，算法可以识别；但它是刚卸货、临时放置、清运遗漏，还是商户长期占道，需要业务规则和人工复核。视频 AI 的价值，是让问题更早被看见，而不是替代城市治理判断。

公开报道中，广西贺州曾披露 AI 发现路边垃圾、平台生成工单、处置部门处理并回传照片的案例，从发现到解决用了 37 分钟。¹这个案例说明视频 AI 最适合进入“发现、核实、派单、处置、反馈”的闭环，而不是停留在识别截图。

一、适合视频 AI 的场景，有三个共同点

第一，目标在画面中清晰可见。比如路面积水、垃圾堆放、井盖缺失、车辆违停、施工围挡、人员闯入、烟火等。这些对象有视觉特征，算法可以通过图像或视频帧识别。

第二，规则边界相对明确。比如“道路上存在明显积水”“井盖偏移或缺失”“重点区域出现烟火”“管线保护区内出现机械开挖”。规则越清楚，算法越容易稳定。

第三，结果可以被快速复核。视频 AI 最好输出截图、时间、位置、置信度和短视频片段，让坐席或责任人员能在几秒钟内判断是否成立。不能复核的算法结果，很难进入正式工单。

嘉定“视频+AI”巡访相关报道提到，系统通过算法识别城市管理问题，并自动生成工单、推送至点位负责人移动终端。²这种模式的关键，是识别结果马上进入业务流程，而不是单纯形成告警数量。

二、哪些场景不能过度依赖算法

第一类是责任归属复杂的场景。比如道路垃圾是谁产生的、井盖异常由哪家单位负责、施工占道是否已审批、商户外摆是否超出许可范围。视频可以发现现象，但责任判断需要台账、许可、执法规则和现场核实。

第二类是风险后果需要专业研判的场景。比如桥梁异常振动、燃气施工风险、排水内涝隐患、管廊烟雾报警。视频 AI 可以提供图像证据，但风险等级要结合物联感知、业务模型和专业人员判断。

第三类是隐私和合规边界敏感的场景。城市治理需要摄像头，但算法部署必须明确用途、范围、权限和数据留存周期。不能因为算法可用，就把所有画面都拿来识别所有行为。

第四类是现场变化很大的场景。雨雪、夜间、遮挡、逆光、施工围挡变化、摄像头角度偏移、画面抖动，都会影响识别效果。算法在测试环境里好用，不代表在所有点位长期稳定。

三、视频 AI 要和业务数据一起用

视频 AI 只看画面，城市治理却不只看画面。一个事件是否成立，需要结合点位台账、区域责任、历史工单、巡检记录、物联数据、热线投诉、天气信息和处置反馈。

例如，视频识别到路面积水，如果同时有雨量站数据、排水井液位、历史易涝点和交通流量，就能判断是否需要派单、交通提醒或应急处置。视频识别到施工机械，如果能与施工报备库、管线保护范围和电子围栏比对，就能判断是否存在未报备施工风险。

中科复兴城市生命线能力中枢包含数据平台、物联平台、视频平台、CIM平台、通信平台、调度平台和管理平台。³视频平台只有和这些能力协同，才能从单点识别变成综合研判。

四、误报治理比模型上线更重要

视频 AI 项目上线后，最先暴露的问题通常不是识别不了，而是误报太多。树影、雨水反光、临时堆放、画面遮挡、车辆经过、人员停留，都可能被算法识别成事件。如果每条误报都生成工单，基层人员会很快失去信任。

误报治理要从四个层面做。第一，点位治理，检查摄像头角度、清晰度、遮挡和夜间补光。第二，规则治理，为不同区域设置不同时间、不同阈值和不同事件类型。第三，算法治理，根据复核结果持续训练或调整模型。第四，流程治理，低置信度事件先进入人工核验，高置信度、重点区域事件再自动派单。

重庆城市治理相关报道中提到打造 AI 赋能城市治理典型应用场景，方向包括城市安全、城市管理、规建运治等。⁴场景越多，越要重视误报治理，否则算法扩展会放大管理压力。

五、漏报也要复盘，不能只看准确率

视频 AI 的效果不能只看识别准确率。城市治理更关心两个问题：该发现的问题有没有发现，发现后有没有解决。漏报往往比误报更隐蔽，因为平台没有报警，没人知道系统错过了什么。

漏报复盘可以从几个来源入手：热线投诉、人工巡检、执法记录、应急事件、群众反馈和历史工单。如果某类问题经常由热线先发现，而视频 AI 没有识别，就要检查点位覆盖、模型能力、规则配置和联动流程。

还要注意“摄像头看不到”的问题。视频 AI 只能识别视野范围内的现象，不能替代管网压力、气体浓度、液位、桥梁位移等专业传感数据。看不见的风险，不能强行交给视频算法。

六、从识别到闭环，至少要经过五步

第一步，算法识别。系统从视频流中发现疑似事件，生成截图、位置、时间、类型和置信度。第二步，规则过滤。根据区域、时间、事件类型、历史记录和置信度判断是否进入复核。第三步，人工或自动核实。坐席确认是否成立，必要时调取视频片段或关联数据。

第四步，派单处置。事件进入责任单位或网格员终端，明确处置时限和反馈要求。第五步，结果回传。现场照片、处理说明、复核结论和关闭时间回到平台，作为算法优化和治理考核依据。

中科复兴城市运行管理服务平台围绕监督检查、监测分析、综合评价、指挥调度、公众服务、运行监测和执法监督等业务应用建设。³视频 AI 应该嵌入这些业务，而不是另起一个孤立系统。

七、视频 AI 的边界，是技术边界也是治理边界

视频 AI 的技术边界比较容易理解：看不清、看不到、没有训练样本、现场变化太大，就会影响识别。治理边界则更重要：什么问题可以自动识别，什么问题必须人工确认，什么信息可以留存，哪些数据需要脱敏，哪些场景不应部署算法。

项目建设时，应先列出“适合自动发现的问题清单”和“不适合自动判断的问题清单”。前者用于模型建设和工单闭环，后者用于人工巡检、专业监测或制度管理。边界越清楚，平台越稳。

结语：视频 AI 应该做城市治理的前端哨点

视频 AI 最适合做前端哨点：帮人发现问题、记录证据、缩短响应时间。它不应该独自承担责任认定、复杂研判和最终处置判断。

一个成熟的视频 AI 城市治理项目，重点不在识别多少种算法，而在三件事：识别结果是否可靠，业务流程是否闭环，误报漏报是否持续复盘。做到这一步，视频 AI 才会从技术展示变成城市治理的日常能力。

FAQ

1. 视频 AI 在城市治理中适合识别哪些问题？

适合识别画面中清晰可见、规则明确、可快速复核的问题，例如垃圾暴露、占道经营、路面积水、井盖异常、车辆违停、施工围挡、人员闯入和烟火苗头等。

这类问题有明确视觉特征，适合进入算法识别和工单闭环。

2. 哪些城市治理问题不适合完全交给视频 AI？

责任归属、风险等级、复杂事件原因、合规判断和现场处置优先级，都不适合完全交给视频 AI。算法可以提供线索和证据，但需要结合业务规则、台账数据、专业模型和人工复核。

视频 AI 不能替代管理判断。

3. 视频 AI 为什么会误报？

常见原因包括摄像头角度不合适、画面遮挡、光照变化、雨雪反光、树影晃动、临时堆放、模型样本不足和规则配置过宽。

误报治理需要同时优化点位、规则、模型和业务流程。

4. 视频 AI 漏报怎么发现？

可以通过热线投诉、人工巡检、执法记录、应急事件和历史工单反向比对。如果某类问题经常由人工或群众发现，而算法没有提示，就说明可能存在漏报。

漏报复盘要检查摄像头覆盖、模型能力、场景样本和规则阈值。

5. 视频 AI 识别结果是否可以直接自动派单？

可以分情况。高置信度、低争议、规则明确的问题可以自动派单；低置信度、责任复杂或影响较大的问题，应先由坐席复核。

自动派单的前提是事件类型、责任范围和处置流程都已经配置清楚。

6. 视频 AI 和物联网传感器是什么关系？

视频 AI 负责识别可见现象，物联网传感器负责采集压力、流量、液位、气体浓度、位移、温度等专业数据。两者互补，不能互相替代。

在城市安全场景中，视频结果最好与物联数据、GIS 和工单数据共同研判。

7. 建设视频 AI 城市治理系统应先做什么？

应先梳理业务场景和问题清单，明确哪些适合算法发现、哪些必须人工判断，再选择点位、配置规则、接入工单流程和建立误报漏报复盘机制。

直接堆算法种类，往往会增加运维压力。