过去两年，越来越多仓库的通道上方出现了一个新变化：原来只负责录像的摄像头，被接上了能"看懂"画面的AI——叉车超速自动抓拍，行人闯入作业区立刻声光报警。这场围绕仓库安全的视觉识别实验，正在把安全管理从"事后调录像追责"推向"事前干预"。但在讨论它多有效之前，有必要先冷静地看一组数据：我们到底在和一个多大的风险打交道。
先看数据：仓库安全的头号风险，是"人车混行"
根据美国职业安全与健康管理局（OSHA）长期引用的统计口径，美国每年约有85起叉车相关死亡事故、约34900起重伤事故。更值得看的是事故结构：约36%的叉车致命事故涉及行人（OSHA数据）；而美国国家职业安全与健康研究所（NIOSH）的致命事故分类研究显示，"行人被叉车撞击或碾压"约占致命受害者的20%。两个口径统计方法不同，结论却一致：仓库里最致命的风险不是设备本身，而是人与车的混行。
另一个数字解释了为什么这个问题长期无解：据OSHA估计，约70%的叉车事故本可通过规范培训与安全流程避免。"本可以避免"与"长期没有避免"之间的落差，恰恰暴露了传统手段的局限——培训解决"会不会"，解决不了"每一次都照做"。
2023年秋天，美国中西部一家约2.5万平方米的食品配送中心发生过一起典型事故：一名夜班拣货员为抄近路横穿叉车主干道，恰逢一台满载叉车以约12公里/小时倒车——超过了该仓8公里/小时的内部限速。司机视线被货物遮挡，拣货员戴着降噪耳机，双方都没察觉对方。调查报告列了三条原因：超速、行人进入车行道、注意力分散。但让安全主管无奈的是第四条：这三条原因，过去一年在内部检查记录里出现过40多次，每次都止于"口头提醒"，没有一次可追溯。
这个案例浓缩了传统安全管理的三个盲区：抽查代替不了全覆盖——安全员不可能24小时站在每个路口；事后追溯代替不了事前干预——录像只能定责，阻止不了一次正在发生的碰撞；"自觉"代替不了"他觉"——限速贴在墙上，却没有任何机制知道某台车此刻开到了多少。这类AI视觉方案想要解决的，正是这三个盲区。
三条路线对比：人工巡检、车载传感器、视觉识别
目前市面上的仓库安全技术路线大致分三类，放进同一张表里，取舍会清楚很多。
| 方案 | 覆盖方式 | 实时性 | 误报与漏报 | 成本量级 | 最大的短板 |
|---|---|---|---|---|---|
| 人工巡检加培训 | 抽查，人盯人 | 事后为主 | 漏报高，看不见的时候最多 | 人力成本，随规模线性增长 | 无法全覆盖，记录不可追溯 |
| 车载传感器（超速报警、接近感应） | 跟车走，单车覆盖 | 实时 | 误报中等，金属环境有干扰 | 单车数千元，一次性投入 | 只管车不管人，老旧车型加装难 |
| 视觉识别（摄像头加行为分析） | 按点位覆盖，可全天候 | 实时，可自动取证 | 误报取决于调优，初期偏高 | 点位数万元级，加软件年费 | 依赖现场调优，有隐私合规边界 |
算一笔粗账（基于公开报价区间的假设性测算，实际以供应商报价为准）：一个3万平方米、约40台叉车的区域配送中心，只在6个人车交汇最频繁的路口部署视觉识别，约需12～18个点位；按点位硬件（摄像头加边缘计算盒）8千～1.5万元、软件年订阅每点位2千～4千元估算，首年投入约15万～35万元，之后每年约3万～7万元。对比之下，两名安全员三班倒巡检，一年人力量级也在数十万元，但覆盖的只是"抽查"；给40台叉车加装超速报警与接近感应，一次性约十几万元，却管不住行人那一侧。
这笔账算下来，这类系统并不便宜——它的相对优势不在绝对成本，而在"单位覆盖的确定性"：摄像头不会请假走神，每次违规都会被记录。当然，这个"确定性"有代价，代价的名字叫误报。
2024年，华东一家3万平方米的电商履约仓做了个克制的试点：没有全仓铺开，只在6个人车交汇的路口装视觉识别，配声光报警，违规画面自动推送到安全主管手机。前两周系统每天推送上百条告警，安全主管差点关掉它——复盘发现七成以上是"行人贴着黄线边缘走"这类边界情况。供应商花三周结合录像逐条调优，把"闯入"判定从"进入画面"收紧为"进入车行道且停留超过2秒"。
三个月后，日均有效告警降到个位数，"抄近路"行为几乎消失。安全主管在复盘会上说："我们买的不是抓拍，是让所有人都知道会被看见。"
反常识的一课：摄像头越多，不等于越安全
这是视觉识别落地中最容易被误判的一点：直觉上点位越多越安全，但一线反馈呈现的是另一条曲线——告警量超过人的处理能力后，系统会迅速从"安全工具"退化成"背景噪音"。
机制不难理解：未经调优的系统每天推送上百条误报，第10条人还会点开，第50条变成"稍后处理"，第100条之后，手机静音成了最理性的选择。行为科学里这叫"告警疲劳"，在医院重症监护室和工厂控制室里反复出现过。摄像头解决的是"看不见"，告警疲劳制造的却是"看见了但不再反应"——后者恐怕更危险，因为它给了管理者"已经管起来了"的错觉。
第二个反常识的判断：这类系统最大的价值，可能不在"抓现行"，而在"被看见"的威慑效应。试点里违规的消失先于任何处罚——当司机和行人都知道路口有双"眼睛"在记录，行为先一步自我纠正。所以评估这类项目时，只盯着"抓到多少起违规"是算错了账；真正该看的，是违规基线本身有没有系统性下移。
第三个判断藏在时间线里：为什么视觉识别是这两年才铺开，而不是五年前？公开的技术演进脉络大致分三段：2020年之前，目标检测在复杂仓储环境下误报率居高不下，系统只能做"事后查录像"的辅助；2021～2023年，边缘计算盒子价格降到仓库可接受的区间，实时分析第一次具备经济性；2024年之后，具备行为理解能力的新一代AI模型普及，系统从"识别画面里有叉车和人"进化到"判断这个行为是否违规"。每一波成熟都踩在前一波的成本下降上——现在入场，本质上是在为过去五年的技术降本买单，而不是为什么"黑科技"付费。
往后看2～3年，趋势大概率是两个方向：一是从"事后取证"走向"事前预警"，比如通过轨迹预测，在行人与叉车轨迹即将交汇的几秒钟前发出预警；二是从"单点识别"走向"全场联动"，与仓储管理系统任务数据打通，高峰时段自动提高高风险路口灵敏度。但至少三个结构性约束会决定天花板：员工隐私与劳工法规的边界（摄像头拍的是"行为"还是"人"，不同司法管辖区答案不同）；漏报的责任归属（系统漏掉一次致命闯入，责任在算法供应商、集成商还是仓库自己，目前没有标准答案）；最根本的一条，它替代不了现场管理的基本功——通道设计不合理、任务排得太赶、人手长期不足，不会因为多了几双"眼睛"就消失。
所以，当AI开始24小时"看"仓库，被改变的也许不是技术，而是问题的性质：过去管理者可以说"我没看见"，现在"看见了"成了默认状态。接下来的问题不再是技术问题，而是组织问题——看见之后，准备付出什么代价去改？对每次超速都较真，还是把告警阈值悄悄调松？这个选择，摄像头给不了答案。
作者：陈博士｜供应链研究员
