Apabila AI Mula Menjawab Talian 119: Peralihan Teknologi yang Sedang Berlaku di Sebalik Panggilan Kecemasan

Pukul dua empat puluh pagi, satu panggilan masuk ke pusat kawalan. Pemanggil bercakap dengan nada cemas manakala di latar belakang terdapat orang lain yang sedang menjerit. Anggota telekomunikasi cuba menenangkan pemanggil sambil berusaha mendapatkan alamat lokasi. Menjelang saat keempat puluh panggilan tersebut, sistem pada skrin anggota bertugas memaparkan satu baris amaran: Disyaki henti jantung, cadangkan segera panduan melakukan CPR.

Keputusan ini bukan dibuat oleh anggota bertugas, sebaliknya oleh satu model AI yang sedang mendengar panggilan yang sama.

Sistem sebegini telah beroperasi di beberapa pusat kawalan di Amerika Syarikat dan Denmark sejak beberapa tahun lalu. Ia mempamerkan kedua-dua sisi AI yang paling meyakinkan dalam perkhidmatan awam, serta sisi yang paling memerlukan pengawasan.

Latar Belakang Peristiwa

Masalah yang dihadapi oleh pusat panggilan kecemasan adalah sama di seluruh dunia: kekurangan tenaga kerja, kadar pertukaran kakitangan yang tinggi, tempoh latihan yang panjang, dan setiap panggilan tidak boleh melakukan sebarang kesilapan. Pusat panggilan kecemasan di beberapa daerah di Amerika Syarikat telah mengalami kekurangan kakitangan yang serius sejak kebelakangan ini, menyebabkan masa menunggu panggilan semakin panjang—dalam situasi seperti henti jantung di mana kadar kelangsungan hidup dikira dalam unit minit, masa menunggu adalah bersamaan dengan nyawa manusia.

Oleh itu, bidang yang pada asalnya sangat konservatif ini telah menjadi arena di mana penerapan AI dilaksanakan dengan begitu aktif. Haluan teknologinya secara am boleh dibahagikan kepada empat kategori.

Kategori pertama ialah analisis masa nyata semasa panggilan. Platform pembelajaran mesin Corti menganalisis panggilan yang sedang berlangsung, mengenal pasti situasi kritikal seperti henti jantung dan memberi amaran kepada anggota bertugas. Pasukan Bomba Seattle adalah salah satu unit terawal yang menggunakannya.

Kategori kedua ialah pengasingan panggilan bukan kecemasan. Sebahagian besar panggilan yang diterima oleh pusat kawalan sebenarnya tidak memerlukan tindakan segera—aduan bunyi bising, kenderaan diletakkan secara haram, pertanyaan prosedur. Aurelian mengautomasikan bahagian ini secara khusus, supaya panggilan kecemasan yang sebenar tidak perlu beratur. Syarikat permulaan (startup) yang berpangkalan di Seattle ini telah menyiapkan pembiayaan siri A sebanyak $14 juta pada Ogos 2025.

Kategori ketiga ialah penulisan semula keseluruhan platform penerimaan dan penghantaran. Carbyne mengetengahkan Sistem 911 Generasi Seterusnya (NG911), manakala Mark43 menyepadukan fungsi penghantaran, rekod, peranti mudah alih dan analisis ke dalam satu sistem awan yang sama, ditambah pula dengan ReportAI untuk menjana draf laporan secara automatik serta BriefAI untuk merumuskan taklimat penugasan. Pihak rasmi menyatakan ia telah diguna pakai oleh lebih 300 agensi.

Kategori keempat ialah integrasi data merentas sistem. Kategori ini paling tidak menonjol tetapi paling penting: apa yang dilakukan oleh Peregrine adalah menghubungkan sedozen sistem lama polis dan bomba yang sebelum ini tidak berhubung antara satu sama lain, membersihkan serta menyelaraskannya, membolehkan pegawai bertugas menyemak konteks lengkap di satu tempat. Ia baru-baru ini melengkapkan pembiayaan siri D sebanyak $250 juta.

Apa yang perlu diberi perhatian ialah kelajuan penyatuan industri. Axon telah mengambil alih Prepared (yang turut membangunkan AI 911) pada tahun 2025, dan memperoleh Carbyne pada nilai penilaian $625 juta—bidang ini sedang beralih daripada kancah persaingan syarikat permulaan kepada pasaran oligopoli.

Fokus Utama

• Peranan AI adalah sebagai pembantu, bukannya pembuat keputusan: Reka bentuk semua sistem pada masa ini adalah "memberi amaran kepada anggota bertugas", dan keputusan muktamad tetap berada di tangan manusia. Garis panduan ini mesti dipertahankan dalam bidang yang berisiko tinggi.
• Masa yang dijimatkan kebanyakannya adalah masa dokumentasi: Perkara yang paling banyak dirungut oleh pegawai polis dan bomba ialah masih perlu menyiapkan laporan sebelum tamat waktu bekerja. Fungsi seperti ReportAI dan BriefAI memfokuskan tepat pada titik kesakitan ini, dan bukannya menggantikan penilaian barisan hadapan.
• Integrasi data adalah lebih sukar daripada model: Peregrine menggunakan model pelaksanaan di mana jurutera ditempatkan di tapak pelanggan, kerana format data sektor awam sangat kacau sehingga tidak boleh dikendalikan dari jauh. Tiada jalan pintas untuk perkara ini.
• Kontroversi juga adalah nyata: ShotSpotter di bawah SoundThinking telah lama dikritik kerana kadar amaran palsu dan kos-efektivitinya, di mana bandar seperti Chicago pernah menamatkan atau mengurangkan kontrak mereka. Apabila algoritma mula menentukan ke mana arah tuju pasukan polis, perdebatan sosial adalah satu keperluan.

Analisis Kesan Pasaran

Bagi pengguna di Taiwan: Kesan jangka pendek adalah terhad. Sistem 119 dan 110 di Taiwan mempunyai struktur yang berbeza daripada Amerika Syarikat, dan tidak mempunyai spesifikasi sistem NG911. Perkara yang mungkin muncul terlebih dahulu sebenarnya adalah "pengasingan kes bukan kecemasan" — automasi perkhidmatan seperti talian warga 1999, di mana ambang teknologinya jauh lebih rendah daripada penghantaran kecemasan dan risikonya juga lebih kecil.

Bagi aplikasi perusahaan: Kesan limpahan teknologi gelombang ini wajar diberi perhatian. Keperluan keselamatan di pintu masuk hospital, venue berskala besar, dan kampus adalah nyata. Pengesanan senjata secara laluan masuk oleh Athena Security, serta pengecaman plat nombor dan insiden oleh Rekor, semuanya sedang berkembang ke arah bidang perubatan dan komersial. Kesan keganasan di hospital Taiwan bukanlah sesuatu yang asing, dan terdapat permintaan sebenar dalam bidang ini.

Bagi pembangun: Peluang sebenar terletak pada lapisan integrasi dan bukannya lapisan model. Tahap keretakan sistem sektor awam Taiwan tidak kalah berbanding Amerika Syarikat; sesiapa yang mampu menghubungkan data sedia ada, menyelaraskan semantik, dan menyediakan antara muka carian yang baik, merekalah yang mempunyai nilai. Ambangnya tinggi, dan kadar kesetiaan (stickiness) juga tinggi.

Trend Perkembangan Masa Depan

Saya menjangkakan bahawa dalam tempoh dua hingga tiga tahun akan datang, perkembangan akan menuju ke arah tiga arah utama.

Pertama, beralih daripada amaran kepada draf. AI bukan sekadar memberi petunjuk "ini mungkin henti jantung", tetapi terus menulis draf keseluruhan rekod kes, manakala manusia hanya melakukan pengesahan. Penerimaan terhadap automasi dokumentasi adalah jauh lebih tinggi daripada automasi keputusan, dan ia akan menjadi yang paling awal meluas.

Second, regulasi akan mengejar. Peraturan AI Kesatuan Eropah telah menyenaraikan penggunaan penguatkuasaan undang-undang sebagai berisiko tinggi, dan pelbagai negeri di AS juga telah mula menggubal undang-undang untuk mengawal tempoh penyimpanan data pengecaman plat nombor. Fasa di mana teknologi mendahului peraturan dan peraturan ketinggalan di belakang hampir ke penghujungnya.

Ketiga, penggabungan dan pengambilalihan integrasi akan berterusan. Perolehan berturut-turut Axon terhadap Prepared dan Carbyne hanyalah permulaan. Perolehan sektor awam lebih mengutamakan satu pusat sehenti, dan struktur ini akan memaksa pembekal bergabung menjadi platform yang besar.

Kesimpulan & Ulasan Akademi TheAI

Semasa menulis topik ini, perkara yang paling menarik perhatian saya bukanlah betapa hebatnya teknologi tersebut, tetapi angka keberkesanan sistem ini hampir keseluruhannya mendedahkan data yang dikeluarkan oleh pengeluar sendiri. Kenyataan seperti "masa tindak balas dipendekkan sebanyak dua digit peratusan" dan "jenayah serius menurun sebanyak 45%" sepatutnya melalui pengesahan bebas di peringkat dasar awam, tetapi pada masa ini kebanyakannya tiada. Kontroversi ShotSpotter wujud dengan cara begini: bukannya teknologi itu langsung tidak berguna, tetapi keberkesanan yang didakwa tidak mampu menampung kos pelaburan dan harga sosial yang perlu dibayar.

Ulasan: Apabila AI memasuki keselamatan awam, soalan sebenar yang harus ditanya bukanlah "adakah ia tepat", tetapi "siapa yang mengesahkan, berapa lama data disimpan, siapa yang boleh menyemak, dan adakah rekod disimpan selepas disemak" — masalah teknikal ada penyelesaiannya, tetapi masalah tadbir urus tiada jawapan yang standard.

Cadangan khusus untuk pembaca: Jika anda berada di sektor awam atau rantaian bekalan berkaitan, perkara paling bernilai untuk diceburi sekarang bukanlah terburu-buru menggunakan model, tetapi membersihkan data di tangan anda dengan betul—definisi medan (field), perbandingan kod, dan polisi penyimpanan. Pengalaman di Amerika Syarikat sangat jelas; agensi yang lapisan asas datanya tidak diuruskan dengan baik, hampir semua projek AI mereka berakhir dengan kegagalan tanpa sebarang hasil. Jika anda adalah orang awam, apa yang wajar diberi perhatian ialah peraturan data peribadi seterusnya: sebaik sahaja pengecaman plat nombor dan analisis imej menjadi meluas, "berapa lama data disimpan dan siapa yang mempunyai hak untuk menyemak" akan memberi kesan langsung kepada kehidupan seharian kita, dan ini adalah fasa di mana suara harus dilaungkan sebelum sistem dibentuk. Untuk mengetahui lebih lanjut mengenai alat berkaitan, anda boleh melihat bahagian Klasifikasi Keselamatan Awam & Tindak Balas AI di laman web ini.

Sumber Data

• Laman Web Rasmi Mark43 (Barisan produk, bilangan agensi yang menggunakannya)
• Laman Web Rasmi Peregrine (Kedudukan platform, mod pelaksanaan)
• Laman Web Rasmi SoundThinking (Penjelasan produk seperti ShotSpotter)

Disusun berdasarkan maklumat awam, sila rujuk pihak rasmi sebagai kesahihan utama. Angka keberkesanan yang mendedahkan oleh pengeluar dalam teks belum disahkan oleh pihak ketiga yang bebas, sila ambil perhatian apabila memetiknya.