误报率才是胜负手：一场被「看得懂」掩盖的评测革命

全场都在讲大模型「看得懂」，但真正决定 AI 能不能规模落地的，是它有多少次不该响的时候响了。地方交通主管部门已经把这个词写进了公开文件——车载智能视频终端「误报率偏高」。

本届安博会的主流叙事是「认知智能」：系统理解场景，而不只是检测目标。但全场最有用的一句话，来自一篇红外热成像的收官报道：误报率高是红外热成像在安防领域规模化落地的核心障碍。对车队视频来说，这句话比任何演示都值钱。

展台上的证据

睿创微纳旗下睿创燧石直陈问题，并给出「前端初筛 + 后端精判」双层过滤、「传统算法识别 + 大模型研判」双轨并行的解法：森林防火场景过滤阳光反射、温室大棚、玻璃金属反光等干扰；仓储场景区分堆垛异常温升与人员、叉车引擎、堆垛机等临时热区。

硬件参数也很具体：8μm/12μm 自研氧化钒探测器、热灵敏度优于 15mK、640×512 红外分辨率、256×192 支持 4 倍超分、±0.01° 高精度转台、100°/s 转动响应、雷达引导云台「一次引导成功率 95%」。但这些是厂商公开口径，说明的是方向，不是第三方横评结果。

行业侧也在向同一个问题收敛。展前技术盘点提到：11T 算力的双目 AI 筒型摄像机全天候识别率超 90%，某训推一体机把算法落地周期从数周缩短至单日，公安部第三研究所「智盾」大模型安全防护系统具备 90% 以上全类别平均检测准确率。国务院「人工智能+」行动意见明确要求「建立健全模型能力评估体系」。

监管考核的不是识别率，是处置闭环

厂商习惯用「准确率 99%」讲产品，营运车辆监管体系考核的却是另外三个词：及时处置、动态清零、处理率 90%。一旦误报泛滥，一线监控员被无效告警淹没，真正的高风险事件反而被漏掉；企业要么堆人，要么调低灵敏度，前者抬高成本，后者直接触碰「不得违规修改报警限值」的红线。

这个问题有官方文件佐证。东营市交通运输局 2026 年 4 月答复中，把「车载智能视频终端设备误报率偏高」列为危化品道路运输行业普遍存在的问题，提出联合国内先进技术企业对终端开展升级优化。四部门行动方案同时要求企业对动态监控预警和报警信息「及时处置、动态清零」，报警处理率低于 90% 的企业依法严肃处罚，并严禁违规修改报警限值、篡改伪造动态监控数据。

换句话说，在车队场景里，误报不是体验问题，是合规问题。一个每千公里产生 30 条无效告警的系统，会把客户的合规成本、人力成本与监管风险一起推高，即便它的单次识别指标非常漂亮。

我们的观察

「前端初筛 + 后端精判」几乎可以原样搬到车载架构：车上跑轻量模型做首判与过滤，只把可疑事件的结构化摘要（而非全量视频）上传；云端或区域节点用大模型二次研判与归因；确认为无效的告警回流训练集，通过 OTA 更新端侧阈值。这既压住带宽成本，也把「误报」变成可持续收敛的工程指标，而不是一次性调参。

更关键的是告警必须自带证据：视频片段、时空标签、触发规则、模型版本、驾驶员与车辆上下文。没有这些，处置人员无法判断真伪，闭环就只能停在「已读」。

一套可以直接写进招标文件的评测框架

• 每千公里有效告警数：分母是真实里程，直接对齐车队运营成本，比「识别准确率」更难粉饰。

• 误报率 / 漏报率（分场景）：必须按夜间、逆光、雨雾、隧道、颠簸等子集分别报，禁止只给全局均值。

• 告警可归因率：附带视频片段、时空标签、触发规则、模型版本的告警占比，决定能否闭环处置。

• 端侧首判时延：疲劳、分神、前碰撞等即时干预类告警必须在本地完成，不能依赖回传。

• 断网可用性：断网期间的本地判定、缓存、续传与降级行为，需给出可复现测试。

• 模型 OTA 与回滚：阈值/模型更新是否可灰度、可回滚、版本可追溯，直接关系误报收敛速度。

• 误报收敛曲线：要求供应商承诺上线 1 / 3 / 6 个月的误报下降目标，把「持续优化」变成合同义务。

我们的判断

2027 年车载 AI 的分水岭不是「有没有大模型」，而是能不能把误报收敛成一条可考核、可归因、可迭代的曲线。谁先把评测口径从「模型准确率」改写成「每千公里有效告警数 + 告警可归因率」，谁就能在监管型客户的招标里重新定义规则。这也正是「建立健全模型能力评估体系」在细分行业的落点。

信源与口径：中国经济新闻网《2026 安博会收官：红外热成像 + AI》、展前技术盘点、国务院「人工智能+」行动意见、交运发〔2026〕2 号及各地实施文件、东营市交通运输局 2026-04-13 答复。企业技术参数均为厂商公开口径，未经第三方实测或同条件横向对比，不应直接用于招标评分。