AI巡逻的核心矛盾，不是“能不能看见”，而是“看见之后如何被正当、准确、可追责地使用”。深圳盐田区组建70余人的视频巡逻队伍，并引入人工智能算法，曾及时发现深夜闯入店铺盗窃的两名男子，也识别出施工人员未穿戴安全装备等隐患。这说明AI适合承担大范围、持续性的风险筛查，但筛查能力越强，越需要明确边界。
把安全目标限定在具体场景
AI巡逻首先应遵循目的限定和数据最小化原则。系统应围绕盗窃、危险施工等明确风险运行，而不是把公共空间中的所有人都默认视为可疑对象。与安全目标无关的人脸、行动轨迹和个人特征，不应被无限采集、长期保存或用于其他目的。尤其要区分“发现异常”和“认定违法”：算法输出只能作为线索，不能直接替代事实调查，更不能自动作出处罚决定。
隐私保护还取决于数据生命周期管理。采集范围、保存期限、访问权限和使用场景都应事先设定，并对数据调用留下可审计记录。能够通过模糊化、特征化或局部处理完成任务时，就不应保留更具识别性的原始信息。系统还要防范数据泄露、内部滥用和越权调取，因为公共安全数据一旦脱离原定场景，风险可能从“防范危险”转化为“制造监控”。
让算法判断接受人工约束
AI巡逻存在误报、漏报和场景偏差。夜间光线、遮挡、施工环境变化，都可能影响识别结果。因此，关键处置应设置人工复核、申诉和纠错机制，并持续检查不同区域、不同群体是否承受不成比例的误判。系统供应方、运营单位和实际处置人员也应明确责任，而不能把错误归咎于“算法自动判断”。
可信赖的AI系统需要数据、算法、奖惩引导与人机对齐共同作用，也需要伦理和法律框架提供外部约束。真正成熟的AI巡逻，不是让机器拥有无限观察权，而是在安全收益、个人隐私和公共监督之间建立可解释、可限制、可追责的制度安排。