當 AI 開始接 119：報案電話背後正在發生的技術轉移

凌晨兩點四十分，一通電話進到派遣中心。來電的人講話急促、背景有其他人在喊叫，接線員一邊安撫一邊試圖問出地址。在這通電話進行到第四十秒的時候，系統在接線員的螢幕上跳出一行提示：疑似心跳停止，建議立即指導施行心肺復甦術。

這個判斷不是接線員做的，是一套聽著同一通電話的模型做的。

這樣的系統在美國、丹麥的部分派遣中心已經運作了幾年。它同時展示了 AI 進入公共服務最有說服力的一面，以及最需要被監督的一面。

事件背景

緊急派遣中心的困境全世界都一樣：人力不足、流動率高、訓練期長，而且每一通電話都不容出錯。美國多個郡的派遣中心近年出現嚴重缺員，接線等待時間拉長——在心跳停止這種以分鐘計算存活率的情境裡，等待時間就是人命。

於是這個原本極度保守的領域，成了 AI 導入意外積極的場域。技術路線大致分成四類。

第一類是通話中的即時判讀。Corti 的機器學習平台會分析進行中的通話，辨識心跳停止這類關鍵狀況並向接線員示警。西雅圖消防局是較早導入的單位之一。

第二類是非緊急來電的分流。派遣中心接到的電話有相當比例其實不需要立即派遣——噪音投訴、車輛違停、詢問流程。Aurelian 專門自動化這一塊，讓真正的緊急電話不必排隊。這家西雅圖新創在 2025 年 8 月完成 1,400 萬美元的 A 輪募資。

第三類是整個受理與派遣平台的重寫。Carbyne 主打次世代 911（NG911），Mark43 把派遣、紀錄、行動端與分析整合成同一套雲端系統，再加上 ReportAI 自動生成報告草稿、BriefAI 彙整勤務簡報，官方表示已導入超過 300 個機關。

第四類是跨系統的資料整合。這一類最不起眼卻最關鍵：Peregrine 做的事情是把警消機關十幾套彼此不通的老系統接起來、清洗、對齊，讓值班人員能在一個地方查到完整脈絡。它近期完成 2.5 億美元的 D 輪募資。

值得注意的是產業整合的速度。Axon 在 2025 年收購了同樣做 911 AI 的 Prepared，並以 6.25 億美元的估值收購 Carbyne——這個領域正在從新創混戰走向寡占。

本次重點

• AI 的角色是輔助，不是決策：目前所有系統的設計都是「向接線員示警」，最終判斷仍在人身上。這條線在高風險場域必須守住。
• 省下的主要是文書時間：警消人員抱怨最多的是下班前還在打報告。ReportAI、BriefAI 這類功能切的正是這個痛點，而不是取代第一線判斷。
• 資料整合比模型更難：Peregrine 採用工程師駐點客戶現場的導入模式，因為公部門的資料格式混亂到無法遠端處理。這件事沒有捷徑。
• 爭議同樣真實：SoundThinking 旗下的 ShotSpotter 槍聲偵測長年受到誤報率與成本效益的質疑，芝加哥等城市曾終止或縮減合約。當演算法開始決定警力往哪裡去，社會的辯論是必要的。

市場影響分析

對台灣使用者：短期內感受有限。台灣的 119、110 系統與美國架構不同，也沒有 NG911 這套規格。真正可能先出現的是「非緊急案件分流」——市民熱線 1999 這類服務的自動化，技術門檻比緊急派遣低得多，風險也小。

對企業應用：這波技術的外溢效果值得注意。醫院急診、大型場館、校園的入口安全需求是真的，Athena Security 那類通行式武器偵測、以及 Rekor 的車牌與事件辨識，都在往醫療與商業場域延伸。台灣醫院的暴力事件不算罕見，這塊有實際需求。

對開發者：真正的機會在整合層而不是模型層。台灣公部門的系統破碎程度不輸美國，誰能把既有資料接起來、對齊語意、提供好查的介面，誰就有價值。門檻高，黏著度也高。

未來發展趨勢

我判斷接下來兩到三年會往三個方向走。

一是從示警走向草稿。AI 不只提示「這可能是心跳停止」，而是直接把整份案件紀錄的草稿寫好，人只做確認。文書自動化的接受度遠高於決策自動化，會先普及。

二是監理會追上來。歐盟 AI 法規已經把執法用途列為高風險，美國各州也陸續立法規範車牌辨識資料的保存期限。技術跑在前面、規範跟在後面的階段快要結束了。

三是整合併購持續。Axon 連續收購 Prepared 與 Carbyne 只是開始。公部門採購偏好單一窗口，這個結構會逼著供應商併成大平台。

TheAI學院 總結與評語

寫這個題目的過程中，最讓我在意的不是技術有多厲害，而是這些系統的效益數字幾乎全部來自廠商自己揭露。「反應時間縮短兩位數百分比」「嚴重犯罪下降 45%」這類說法，在公共政策的層級應該要有獨立驗證，但目前多半沒有。ShotSpotter 的爭議就是這樣長出來的：不是技術完全沒用，是宣稱的效益撐不起投入的成本與社會代價。

評語：AI 進入公共安全，真正該問的不是「準不準」，而是「誰來驗證、資料放多久、誰能查、查了有沒有留紀錄」——技術問題有解，治理問題沒有標準答案。

給台灣讀者的具體建議：如果你在公部門或相關供應鏈，現在最值得投入的不是急著上模型，而是把手上的資料整理乾淨——欄位定義、代碼對照、保存政策。美國的經驗很清楚，資料底層沒整理好的機關，AI 專案幾乎都以不了了之收場。如果你是一般民眾，值得關注的是後續的個資規範：車牌辨識與影像分析一旦普及，「資料保存多久、誰有權查詢」會直接影響你我的日常，這是該在制度成形前就發聲的階段。想了解更多相關工具，可以看站上的 AI 公共安全與應變分類。

資料來源

• Mark43 官方網站（產品線、導入機關數）
• Peregrine 官方網站（平台定位、導入模式）
• SoundThinking 官方網站（ShotSpotter 等產品說明）

依公開資訊整理、以官方為準。文中廠商揭露之成效數字未經獨立第三方驗證，引用時請留意。