Flock Safety公司最近頻繁登上新聞頭條：從旗下監控攝影機遭受新一輪破壞事件，到其槍聲檢測麥克風被指同時錄入居民私人對話，爭議不斷。而其中一份特定報告尤為引人關注——一項研究揭示，該監控系統AI的識別失敗率高得驚人。
加州羅斯維爾市警察局在收到Flock Safety將車輛錯誤標記的相關投訴後，自行對該攝像系統展開調查，共分析了近1500條Flock報告。結果令人震驚：車牌識別錯誤率高達71%，攝影機頻繁將一個車牌號碼誤讀為另一個號碼。
這絕非小事。將某個數字看錯，例如把"7"認成"1"，可能導致Flock攝影機將一輛無辜的車輛誤判為曾經被盜車輛。加州的實際案例正是如此：一名市民投訴稱，由於AI技術將車牌上的"9"誤讀為"8"，他的車輛被攝影機反覆標記為被盜車輛，進而引起警方注意。
這與Flock官方公布的數據形成鮮明對比——但也不盡然。該公司表示，獨立評估顯示其攝影機的車輛計數準確率達到96%，車輛類型分類準確率達到92%。然而，準確識別車輛與準確讀取車牌號碼是兩回事，而Flock在後者方面幾乎未提供任何具體數據。目前筆者已向Flock方面發出採訪請求，如有更多資訊將及時跟進。
高錯誤率為何會帶來麻煩
值得注意的是，上述分析數據採集於2023年至2024年間。許多大語言模型能夠隨著訓練數據的豐富和持續優化而不斷提升性能，這也是當前眾多AI公司大量採集舊書籍數據的原因之一。因此，Flock攝影機目前的識別準確率或許已有所提高。但與此同時，反向情況同樣存在：AI模型一旦攝入低質量數據，尤其是由其他AI生成的"遞歸數據"，其表現反而可能越來越差、越來越不準確。
Flock方面表示，羅斯維爾所使用的攝影機配置並非典型部署方案，但未提供進一步說明。攝影機的安裝位置和啟用時段（如夜間、雨天等）可能對識別準確率產生顯著影響。此外，車牌罩、車牌污損以及非標準車牌安裝位置，同樣會干擾系統的正常讀取。
問題在於，上述情況在任何採用Flock攝影機的城市中都可能普遍存在。Flock的核心賣點在於其監控系統覆蓋廣泛、響應迅速且精準可靠，能夠完成警方難以獨立承擔的工作。但如果攝影機在面對日常情境時頻繁出錯，只會給執法部門帶來更多額外負擔，而非減輕壓力。
包括洛杉磯在內的多個城市已陸續終止與Flock的合同（儘管部分城市只是轉而選擇其他供應商），原因往往是公眾壓力。如果Flock的核心服務存在如此高的失敗率，將成為警察局和治安官部門重新審視其使用價值的又一理由，也可能令Flock在開拓新客戶城市時遭遇更大阻力。
Q&A
Q1：Flock Safety攝影機的車牌識別錯誤率有多高？
A：根據加州羅斯維爾市警察局對近1500條Flock報告的分析，攝影機的車牌識別錯誤率高達71%，即攝影機會將一個車牌號碼誤讀為另一個號碼。這與Flock官方公布的96%車輛計數準確率和92%車輛類型分類準確率存在明顯落差，因為準確識別車輛與準確讀取車牌是兩個不同維度的指標。
Q2：Flock攝影機車牌識別出錯會帶來哪些實際危害？
A：識別出錯可能導致無辜車輛被錯誤標記為被盜車輛，引發不必要的警方介入。加州就曾發生真實案例：一名市民的車牌因"9"被誤讀為"8"，導致其車輛反覆被系統標記為被盜，給當事人造成困擾，同時也增加了執法部門的額外工作量。
Q3：影響Flock攝影機識別準確率的因素有哪些？
A：多種因素可能影響識別準確率，包括攝影機的安裝位置、啟用時段（如夜間或雨天等惡劣天氣）、車牌是否安裝了遮擋罩、車牌是否污損，以及車牌的安裝位置是否符合標準。此外，AI模型若攝入低質量或由其他AI生成的"遞歸數據"，也可能導致識別性能下降。
