边缘 AI 盒子适合装在弱电侧吗？客控与安防场景的能力边界与选型

放置位置决定架构，不是算法决定架构

边缘 AI 常见的两种部署形态：算法放在摄像机或就近的边缘盒子里（端侧），或者集中放在弱电间或机房（中心侧）。两者的差别不在算法强弱，而在三件事：

• 网络依赖程度：中心侧一旦网络中断就全部失效，端侧则只影响单点。
• 回传带宽：中心侧需要把视频流持续回传，客房与公区网络的带宽压力全部由这里产生。
• 运维方式：端侧设备分散在楼层与户外，中心侧集中在机柜里。

酒店项目里，客控场景（房间状态识别、客控面板联动）偏向端侧就近处理，安防巡检场景（有行为分析需求的）偏向中心侧统一算力。真正要先定下来的不是选哪个，而是这条视频流需不需要一直回传——如果不需要，一直回传就是纯浪费。

分层识别：先用小模型筛，再用大模型复核

这是目前工程上最有效的做法：

1. 第一层用小模型做快速筛查：对每一路视频做低成本判断，只把”疑似”的目标送进第二层。2. 第二层用大模型或多模态模型做精准复核：结合上下文判断，输出带可信度的结论。3. 只有复核通过的才产生告警。

这样做的直接收益是误报下降。业务上，误报率比召回率更影响系统的存活——一个每天误报几十次的告警系统，一两周内就会被值守人员关掉，之后整套系统形同虚设。

分层识别还有一个隐含前提：第一层必须足够便宜。如果筛查层就要占用大量算力，整体成本会把中心侧的部署优势吃掉。

软硬解耦：为什么它决定改造项目的成本

传统做法是算法与算力打包卖：某厂商的服务器只能跑该厂商的算法，算法升级要换硬件，算力扩容也要走同一套流程。对已经在运行的酒店项目，这意味着升级等于重建。

解耦之后，存量资产可以分三层复用：

• 摄像头：不换，前端传感器与光路不变。
• 算力服务器：可以继续用原有服务器，在其上部署新的算法层。
• 算法：独立升级，不牵动硬件采购。

对运营年限较长的酒店，这个价值比技术先进性更实际：改造成本从”整套换新”降到”加一层软件”。

算力调度的三种策略要提前定

算力与算法解耦之后，一个绕不开的问题是：一台服务器上的算力怎么分给不同的算法任务。常见三种策略：

• 手动预分配：管理员指定每张卡跑哪些算法。稳定、可预期，适合任务固定的场景。
• 动态分配：按实际负载自动调度，忙的地方优先给资源。适合任务波动的场景。
• 一卡多算法：一张卡同时跑多个算法、分析多路视频。适合算法轻量、路数多的场景，能显著减少闲置。

选择依据是任务的波动性。如果每路视频的算法复杂度差异大，动态分配的价值就高；如果所有路数负载相近，手动预分配反而更省心，也更好排查。

三个必须想清楚的能力边界

### 一、AI 不能替代物理防护

识别模型给出的是”可能有人违规”的判断，不是”一定安全”的保证。凡是涉及人身安全的场合，AI 分析只能作为辅助预警，不能作为唯一的防护手段。安全等级仍要靠有认证的安全器件支撑。这一条在方案评审时经常被含糊过去，验收时更说不清。

### 二、模型对场景变化的鲁棒性有限

同一套模型，在光照、角度、季节、工装变化下表现差异明显。所以验收不能只测”标准场景能识别”，还要测：

• 逆光与夜间；
• 遮挡与部分可见；
• 不同着装与不同体型；
• 摄像头被轻微移动后的偏移。

更稳妥的做法是分层——先用规则或小模型处理明确场景，把难以用规则覆盖的部分交给大模型，并对误报和漏报分别统计，而不是只看总体准确率。

### 三、算力与模型的绑定要提前确认

部署前确认三件事：算法是否能跑在现有平台上、算力不足时扩容的路径是什么、模型升级是否需要停机。把这三点写进合同或验收单，比事后争论有效得多。

弱电侧的落地检查清单

• 逐路确认视频是否需要持续回传，不需要的不进弱电主干。
• 明确每路的算法类型与计算量，据此决定端侧或中心侧。
• 在弱电间核算机柜位、供电容量与散热，预留扩容空间。
• 确认存量摄像头与服务器能否复用，并逐项验证。
• 用真实场景样本做误报与漏报分别统计，不用演示样本代替。
• 测试夜间、逆光、遮挡、偏移等边界场景。
• 明确告警的处置流程与责任岗位，确认值守人员不会因高频误报关闭系统。
• 确认算法升级路径与停机窗口，写入运维文档。
• 明确 AI 结果的证据留存方式与留存期限，满足合规要求。
• 安全相关场景书面确认：AI 只作辅助预警，安全等级由认证器件承担。