消防行业有个不太往外说的数字：火灾自动报警系统每报 100 万次警，真正的火灾不到 20 次。换算一下，大约 5 万次报警才摊上 1 次真火。

剩下的是什么？厨房的一阵油烟，车库返潮的水汽，理疗室的艾灸烟，装修队的粉尘，还有老化探测器自己的神经质。

这个数字最伤人的地方不在统计表里，在消控室。一个值班员每天听几十遍报警，跑几十趟现场，趟趟都是虚惊，半年之后手就慢了，心就麻了。南京有一起案子，屋内三个烟感同时报警——三个，同时——物业照样没去核查，最后损失十五万，还搭上一条命。

不是人不负责，是误报把人训练成了不相信报警的人。

误报是孤零零的一声，真火是一串证据

我们把近些年有详细记录的火灾案例翻了一遍，发现一个规律：误报和真火，在信号层面长得完全不一样。

误报是孤零零的一声。一台探测器被水汽油烟呛了一下，周围风平浪静，来得突兀，复位就完事。

真火是一串相互印证的证据。火会蔓延，相邻的探测器会先后反应，同一台设备复位之后还会再报，时间和空间上都自洽。北京一起充电宝热失控的火灾，感烟探测器第一次报警被复位，17 分钟后再次报警；广州一起火灾，智能烟感一分钟内连报三次，烟雾浓度持续爬升。

所以判真火靠的不是给单独一声报警"算命"，而是拼证据链：同层有没有并发，半小时内是不是重复报，发生在凌晨还是饭点，报警点在厨房还是病房。这些线索拼起来，机器比人有优势——机器不会麻木，凌晨三点的第一百次报警，它和第一次一样认真对待。

这套逻辑，我们做成了产品

防火云 AI 值守中心干的就是这件事。

它把单位的火灾报警主机、消防设备设施运行状态、日常维保维修工单、巡检记录全部接进来。报警响起的一瞬间，这些背景数据已经和报警信息一起推到研判引擎面前：哪个位置，什么时段，同层有没有并发，这个点位过去是不是"惯犯"。证据链当场拼好，交给大模型做场景化研判——就像一个老工程师看着数据说："这是厨房蒸汽，不是火灾，因为……"

研判结论分两条路走。判误报的，自动走误报处置流程，全程留痕，不用人跑，一次处置成本三到五毛。判疑似真火的，系统直接电话外呼叫人到场核查，核查结果回流，反过来校准研判规则。

有一条线我们守得很死：真火警情永远由人确认、人处置。AI 不替人担责，只替人跑腿、筛沙子。

算一笔账

消控室值班的成本，干这行的都清楚：双人持证上岗，三班倒排下来，一个消控室一年十几万人力成本打底，还常年招不满、留不住。

防火云 AI 值守中心一天 9.9 元，误报处置全包，满足消防控制室单人值班的政策要求。一个班的人省下来，一年就是几万块。

对维保企业，账更好算：误报不用再来回跑车，一次上门的人工油费全省了，同样一班人马，服务的单位数量能翻几倍。按行业误报率测算，一个值守中心靠这套机制可以承接几百家单位的日常报警处置闭环。

丑话说在前面

宣传 AI 研判最容易犯的毛病是吹过头，所以我们给自己立了两条规矩，也欢迎行业监督。

第一，演练漏报一票否决。真火场景的演练测试，漏报一次，系统不上线，没有商量余地。

第二，研判结论经过三阶段背靠背盲评。消防工程师和 AI 各自独立判同一份历史报警数据，合并一致率过线才允许对外提供服务。所有非一致样本逐条归因，边界案例固化为回归用例，每次规则更新都要重考一遍。

误报这个毛病，消防行业忍了几十年。以前没办法，报警主机只能喊，不能想。现在能想了。