共享单车智能识别这套东西，运营企业最关心的往往不是算法多先进，而是两个数：误报多少，人力省了多少。

这两个数答不上来，方案再漂亮也过不了内部评审。下面五个问题，是按企业实际问的频率排的。

Q：智能识别到底识什么

识别的是车辆身份，不是车辆行为。

共享单车的车锁带蓝牙模块，会周期性广播一段带车辆标识的信号。设备被动接收，把标识回传，与备案库比对，得出这辆车是合规、未备案还是疑似改装。整个过程不需要车联网，也不需要骑行人配合。

所以它解决的是「这辆车是谁的、有没有备案」这个基础问题。至于车停得对不对、有没有倒伏，那是另一个层面的判断，靠的是停车点坐标比对和视频分析。两件事别混着谈。

识别结果每天回流到平台，同一条标识的出现点位连起来，就成了一条轨迹。这条轨迹比单次识别有用得多——它回答的是「这辆车最近一周在哪些地方出现过」，而不是「刚才有没有看见它」。

Q：误报多不多，出了误报怎么办

误报一定有，关键看是否可控。骑行中的车、调度车集中转运、信号加密的车锁，都会造成账面异常。行业里 AI 系统被弃用的第一原因，就是误报率高到没人再看预警。

可控的做法是三层过滤。第一层在采集端，同一标识在短时间内被多台设备重复听到的，合并为一条；第二层在规则引擎，已知的转运时段、已知的加密车型，直接标注为免核；第三层在处置端，剩下的可疑记录进人工复核队列，由人判定是否真的未备案。

这三层过滤之后，进人工队列的量通常能压到采集量的很小一部分。采集一天数千条，真正需要人看一眼的可能只有几十条。这个比例决定了这套系统是工具还是负担。

Q：全自动行不行

不行，而且两个极端都会失败。

一个极端是全自动：机器判定，直接处罚或扣配额。误报一旦发生，企业申诉无门，几次之后就开始对抗系统，数据也不再配合。

另一个极端是全人工：机器只负责采集，所有判断都推给人。一天几千条记录压在一个人身上，三天就没人看了。

比较稳的分工是：机器做筛选，人做定性，规则做兜底。机器负责把「可能有问题」的范围从几万辆缩到几十辆；人负责判断这几十辆属于新投未报、跨区调拨还是改装；规则负责把人的判断固化成下一次的筛选条件。人机协作的价值不在谁更聪明，在于把有限的人力放在最需要判断的那一步。

Q：一套识别系统一年花多少钱

钱分三块，性质不同。

设备与部署是一次性投入，和覆盖面积、点位数量成正比。这块报价清楚，容易比价。

数据链路是年度支出，包括流量、平台侧存储和比对算力。车辆规模越大，这块越贵，且随车辆增长而增长。

人工复核是隐性成本，也是最容易被低估的。按每天几十条待核记录、每条三到五分钟算，一个人一天的工作量就满了。不少项目上线后觉得「没省人」，原因是把复核的工作量算漏了。

站在运营企业角度，这笔账要倒过来算：原来靠人工扫街，一人一天能查数百辆；现在设备兜底，人工只查线索。省下来的不是全部人力，是重复劳动的那部分。

三种方式不是替代关系。视频看得见「停得乱不乱」，嗅探查得出「这车备没备案」，人工负责把两边的矛盾点查清。

Q：上线之后，谁说了算

数据说了算，但要有申诉通道。

识别结果作为考核依据之前，得先给企业一个核对的机会。做法不复杂：待核清单开放查询，企业可以在约定时限内提交说明和证据，监管方复核后确认或撤销。这条通道看着是让步，实际是让数据站得住——没有申诉机制的数据，企业不认，考核也推不动。

共享单车智能识别真正的门槛不在算法，在这套流程能不能长期跑下去。机器给线索，人给结论，规则给一致性，三样缺一样，系统用不过半年。