2022年美国施工区车祸96000起，死亡891人，其中105个是工人。这个数字让阿肯色州 highway 部门决定做点狠的——他们在两条州际公路的施工区装了AI摄像头，专门抓开车玩手机的人。
系统今年1月上线，到现在运行了3个月。不是那种拍超速的传统摄像头，而是用计算机视觉（computer vision）分析画面，识别司机手里有没有手机。AI标记可疑车辆后，现场的高速公路警察会收到实时提醒，然后人工拦车核实。罚款不会自动开，必须警官确认才作数。
这套流程设计得很谨慎，但争议一点没少。
AI执法的"人机协作"实验
阿肯色州的方案算是折中派。纯AI开罚单？不行，怕误伤。纯人工巡逻？效率太低，施工区那么多车根本看不过来。所以搞了个"AI筛、人把关"的混合模式。
具体运作是这样的：摄像头拍到画面→AI算法检测手部动作和手机轮廓→标记疑似违规→信息推送给现场警察→警察决定拦不拦、罚不罚。州政府强调，所有非诉讼需要的录像都会删除，试图缓解隐私焦虑。
但批评者抓住了漏洞：州警不公开统计误报率。AI把咖啡杯认成手机怎么办？司机挠耳朵被标记怎么办？这些"假阳性"有没有被记录、有没有反馈给算法优化，外界一概不知。换句话说，系统黑箱运行，公众只能相信警方的承诺。
施工区玩手机违法本身倒是没争议。2026年美国已有33个州加华盛顿特区实施"无触碰"法律，连等红灯时拿起手机都算违规。阿肯色州更严——只要施工区有工人在场，碰手机就是违法，不管你在打电话还是看导航。
从车牌识别到行为分析，执法AI在扩散
阿肯色州不是孤例。犹他州警察已经在用车牌识别系统（license plate recognition），跟加州那套类似，能按车辆描述找人找车。技术路径不同，但逻辑一致：用机器视觉扩展警察的感知半径，让人力集中在决策环节。
这种分工有现实压力。美国施工区死亡人数十年间波动不大，传统手段显然没根治问题。AI的卖点是"不知疲倦、覆盖全场"，但代价是把公民行为变成可搜索、可分析的数据流。
一个细节值得玩味：阿肯色州的摄像头位置是公开的，入区前有警示牌。这不是技术限制，是法律策略——减少"钓鱼执法"指控，也为司机提供改正机会。但公开标识也意味着，真想规避的人完全可以放下手机过摄像头，过了再拿起来。
这就暴露了AI执法的尴尬：它惩罚的是疏忽或不在乎的人，对刻意规避者效果有限。
隐私争议背后，是更老的问题
反对声音集中在两点：数据会不会被滥用？算法准不准？
第一个问题，州政府的回应是"用完即删"。但"诉讼需要"是个弹性很大的筐，什么算需要、保存多久、谁能调取，细则并不透明。第二个问题更实际——计算机视觉在复杂光线、遮挡、快速移动场景下的误判率，业界心里有数，但警方不公布数字。
这里有个产品思维的观察：阿肯色州这套系统的设计，很像早期互联网产品的"人工审核+算法推荐"模式。平台用算法初筛内容，人工做最终判决，既追求规模又试图控制风险。但内容审核的误判最多是删帖封号，交通执法的误判是真金白银的罚款和信用记录。
犹他州的车牌识别走得更远，已经能根据车辆描述锁定目标。这意味着系统不再只是"识别已知"，而是"推断未知"——从"这辆车牌号是ABC123"进化到"这辆银色SUV有左前翼子板凹陷"。能力越强，边界越模糊。
技术中立是个伪命题
支持者会说，摄像头只拍公共区域，开车本来就是被观察的行为。但观察者和分析者不同：人眼会疲劳、会分心、会遗忘，AI不会。人脑没法实时比对全州车牌数据库，AI可以。技术不只是"更高效地做同样的事"，它改变了权力的质地。
阿肯色州的实验还在早期。3个月的数据能说明什么？抓了多少人、罚了多少钱、事故率变没变，这些关键指标尚未公开。州 highway 部门的态度是"先跑起来再优化"，典型的迭代思维，但公共政策不是互联网产品，试错成本由公民承担。
一个被忽略的角度：施工区工人怎么看？他们是这套系统的名义受益者，但报道里没有他们的声音。891个死亡数字背后，是具体的人名和家庭。技术叙事往往聚焦"解决方案"，而受害者的体验很少进入设计流程。
犹他州的案例提供了对照。那里的车牌识别系统明确用于"追踪潜在违法者"，目标更偏向事后追捕而非实时预防。两种模式，两种哲学：阿肯色州想阻止事故，犹他州想抓住坏人。技术相同，意图不同，结果也不同。
回到那个核心矛盾：AI执法的准确性依赖训练数据，但警方不公开误报率；隐私保护依赖政策承诺，但承诺没有外部审计。信任建立在黑箱之上，这在产品领域叫"技术债"，在政治领域叫"民主赤字"。
阿肯色州计划在更多施工区部署摄像头，如果数据好看，其他州会跟。但"数据好看"怎么定义？事故减少？罚款增加？公众满意度？指标选择本身就是政治。目前唯一确定的是：2026年1月至今，那两台摄像头没闲着。
热门跟贴