当 AI 开始接 119：报案电话背后正在发生的技术转移

凌晨两点四十分，一通电话进到派遣中心。来电的人讲话急促、背景有其他人在喊叫，接线员一边安抚一边试图问出地址。在这通电话进行到第四十秒的时候，系统在接线员的萤幕上跳出一行提示：疑似心跳停止，建议立即指导施行心肺复苏术。

这个判断不是接线员做的，是一套听着同一通电话的模型做的。

这样的系统在美国、丹麦的部分派遣中心已经运作了几年。它同时展示了 AI 进入公共服务最有说服力的一面，以及最需要被监督的一面。

事件背景

紧急派遣中心的困境全世界都一样：人力不足、流动率高、训练期长，而且每一通电话都不容出错。美国多个郡的派遣中心近年出现严重缺员，接线等待时间拉长——在心跳停止这种以分钟计算存活率的情境里，等待时间就是人命。

于是这个原本极度保守的领域，成了 AI 导入意外积极的场域。技术路线大致分成四类。

第一类是通话中的即时判读。Corti 的机器学习平台会分析进行中的通话，辨识心跳停止这类关键状况并向接线员示警。西雅图消防局是较早导入的单位之一。

第二类是非紧急来电的分流。派遣中心接到的电话有相当比例其实不需要立即派遣——噪音投诉、车辆违停、询问流程。Aurelian 专门自动化这一块，让真正的紧急电话不必排队。这家西雅图新创在 2025 年 8 月完成 1,400 万美元的 A 轮募资。

第三类是整个受理与派遣平台的重写。Carbyne 主打次世代 911（NG911），Mark43 把派遣、纪录、行动端与分析整合成同一套云端系统，再加上 ReportAI 自动生成报告草稿、BriefAI 汇整勤务简报，官方表示已导入超过 300 个机关。

第四类是跨系统的资料整合。这一类最不起眼却最关键：Peregrine 做的事情是把警消机关十几套彼此不通的老系统接起来、清洗、对齐，让值班人员能在一个地方查到完整脉络。它近期完成 2.5 亿美元的 D 轮募资。

值得注意的是产业整合的速度。Axon 在 2025 年收购了同样做 911 AI 的 Prepared，并以 6.25 亿美元的估值收购 Carbyne——这个领域正在从新创混战走向寡占。

本次重点

• AI 的角色是辅助，不是决策：目前所有系统的设计都是「向接线员示警」，最终判断仍在人身上。这条线在高风险场域必须守住。
• 省下的主要是文书时间：警消人员抱怨最多的是下班前还在打报告。ReportAI、BriefAI 这类功能切的正是这个痛点，而不是取代第一线判断。
• 资料整合比模型更难：Peregrine 采用工程师驻点客户现场的导入模式，因为公部门的资料格式混乱到无法远端处理。这件事没有捷径。
• 争议同样真实：SoundThinking 旗下的 ShotSpotter 枪声侦测长年受到误报率与成本效益的质疑，芝加哥等城市曾终止或缩减合约。当演算法开始决定警力往哪里去，社会的辩论是必要的。

市场影响分析

对台湾使用者：短期内感受有限。台湾的 119、110 系统与美国架构不同，也没有 NG911 这套规格。真正可能先出现的是「非紧急案件分流」——市民热线 1999 这类服务的自动化，技术门槛比紧急派遣低得多，风险也小。

对企业应用：这波技术的外溢效果值得注意。医院急诊、大型场馆、校园的入口安全需求是真的，Athena Security 那类通行式武器侦测、以及 Rekor 的车牌与事件辨识，都在往医疗与商业场域延伸。台湾医院的暴力事件不算罕见，这块有实际需求。

对开发者：真正的机会在整合层而不是模型层。台湾公部门的系统破碎程度不输美国，谁能把既有资料接起来、对齐语意、提供好查的介面，谁就有价值。门槛高，黏着度也高。

未来发展趋势

我判断接下来两到三年会往三个方向走。

一是从示警走向草稿。AI 不只提示「这可能是心跳停止」，而是直接把整份案件纪录的草稿写好，人只做确认。文书自动化的接受度远高于决策自动化，会先普及。

二是监理会追上来。欧盟 AI 法规已经把执法用途列为高风险，美国各州也陆续立法规范车牌辨识资料的保存期限。技术跑在前面、规范跟在后面的阶段快要结束了。

三是整合并购持续。Axon 连续收购 Prepared 与 Carbyne 只是开始。公部门采购偏好单一窗口，这个结构会逼着供应商并成大平台。

TheAI学院 总结与评语

写这个题目的过程中，最让我在意的不是技术有多厉害，而是这些系统的效益数字几乎全部来自厂商自己揭露。「反应时间缩短两位数百分比」「严重犯罪下降 45%」这类说法，在公共政策的层级应该要有独立验证，但目前多半没有。ShotSpotter 的争议就是这样长出来的：不是技术完全没用，是宣称的效益撑不起投入的成本与社会代价。

评语：AI 进入公共安全，真正该问的不是「准不准」，而是「谁来验证、资料放多久、谁能查、查了有没有留纪录」——技术问题有解，治理问题没有标准答案。

给台湾读者的具体建议：如果你在公部门或相关供应链，现在最值得投入的不是急着上模型，而是把手上的资料整理干净——栏位定义、代码对照、保存政策。美国的经验很清楚，资料底层没整理好的机关，AI 专案几乎都以不了了之收场。如果你是一般民众，值得关注的是后续的个资规范：车牌辨识与影像分析一旦普及，「资料保存多久、谁有权查询」会直接影响你我的日常，这是该在制度成形前就发声的阶段。想了解更多相关工具，可以看站上的 AI 公共安全与应变分类。

资料来源

• Mark43 官方网站（产品线、导入机关数）
• Peregrine 官方网站（平台定位、导入模式）
• SoundThinking 官方网站（ShotSpotter 等产品说明）

依公开资讯整理、以官方为准。文中厂商揭露之成效数字未经独立第三方验证，引用时请留意。