Omnilert

槍枝偵測這個領域有兩條技術路線：一條是在入口裝金屬探測式的篩檢設備（像 Evolv），另一條是用 AI 分析既有監視器畫面。Omnilert 走的是後者——不用改裝硬體，接上你現在已經裝的攝影機就能跑。

這個差別在成本上很關鍵。一所學校要裝入口篩檢設備，是一筆硬體加施工的大投資，而且只保護有設篩檢點的那幾個出入口；用既有監視器的方案，理論上所有裝了攝影機的地方都在覆蓋範圍內。代價則是誤報——畫面裡的一把雨傘、一支手機、一個伸長的手臂，都可能被誤判。

Omnilert 的處理方式是加一層 UL 認證的人工複核：AI 偵測到疑似槍枝後，由受過訓練的專業人員在極短時間內確認，再觸發後續自動化流程——鎖門、警報、通報警方、大量通知。這個「AI 偵測 + 人工確認 + 自動響應」的三段式設計，是這類產品能實際部署在學校的關鍵，因為誤報一次的社會成本太高。

技術背景上官網提到源自美國國防部與 DARPA 的研究。另外有個實用但常被忽略的功能：AI 攝影機健康監控，可辨識 120 種以上的攝影機問題（模糊、遮擋、光線異常等）——這解決了大型保全系統的老毛病，就是沒人知道哪幾支攝影機其實已經壞了好幾個月。官網宣稱服務超過 1,000 家機構，2025 年有 3,000 次以上的 AI 偵測事件，並取得美國國土安全部的 SAFETY Act 認定。

功能特色與適用場景

適用產業超過 20 種：教育、醫療、零售、銀行、政府、娛樂場館、運輸、製造、企業辦公室。美國市場的主要驅動力是校園安全法規，有分析認為未來五到十年可能出現強制公共設施導入 AI 槍枝偵測的州法。

給台灣使用者的具體用法

台灣的槍枝管制嚴格，校園槍擊風險與美國不在同一個量級，直接導入槍枝偵測的必要性很低。但這套系統有兩個模組對台灣是有意義的：一是攝影機健康監控——台灣公部門與大型企業的監視系統動輒數百支攝影機，「壞了沒人知道」是非常普遍的問題，這個模組本身就有獨立價值；二是它的自動響應編排（偵測事件觸發鎖門、廣播、通報）架構，可以換成台灣更需要的偵測標的，例如跌倒偵測（長照機構）、闖入偵測（工地、變電所）、火煙偵測。評估這類產品時，重點不該放在「能不能抓槍」，而是「偵測模型能不能換、響應流程能不能自訂」。另外台灣導入影像 AI 一定會碰到個資與人臉辨識的法規爭議，採購前要確認系統是否只做物件偵測、不做人臉比對。