视频结构化 卡在标注车间与招标文件之间

一 地级市标书里那行写不清楚的话

2026年开年，我跟着一个集成商去中部某地级市讲标。项目不大，园区加周边几条道路，一千二百来路存量摄像头。标书里夹着一条小字，把整个包的人都看麻了。

结构化元数据须可跨点位、跨时段关联，同一自然人再识别准确率不低于某个数。

后面那个数字我不写出来。写了就是给人家添麻烦。

现场答疑的时候，甲方技术负责人问了个特别实在的问题：同一个人，上午十点在A栋大堂，下午三点在B栋侧门，你们能不能把他串起来？

算法工程师点头。项目经理低头看手机。做交付的老哥直接笑出声。

笑什么。因为这句话在POC里永远成立，在现场永远悬着。光照不一样。A栋大堂是全玻幕墙，正午逆光，人脸拍出来是个黑饼。B栋侧门是地下车库出口，荧光灯加水泥灰墙，白平衡一塌糊涂。就算同一个品牌的摄像头，不同固件版本，色彩风格都能差出一截。上午那个人穿的是藏青夹克，下午变成了深色上衣。

字段变了。人还是那个人。

可查轨迹的人不认字段差值。他要的是这个人。于是验收单被打回来三次，乙方改了两轮阈值，误报往上蹿，保安队长开始骂：这破系统天天弹窗。

这不是算法不行。这是把实验室的假设直接搬到水泥地上。

我在厂区、园区、标场跑了十年，见过太多这种错位。发布会讲的是模型多大、榜单多高。现场卡的是镜头脏不脏、时间同步差几毫秒、编码器厂商把红色偏成什么样。后者从来不上台面，但它决定项目能不能验收。

二 钱吃在哪道工序 谁在扩产谁在清库存

先把成本摊开。这条链的钱主要吃在三处。

第一处是解码。一千二百路1080P25进来，第一步得把码流解成帧。用通用CPU软解，按经验量级，一颗主流服务器核心大概顶两到四路，具体看编码复杂度和优化水平。也就是说，光把视频变成图这一步，就要吃掉三四百颗核心，推理还没开始。这是什么概念。差不多等于一个中等规模企业自建机房的全部算力，只用来把画面摊平。

第二处是推理和属性。检测、跟踪、属性、再识别、车牌、行为，一层层往上叠。加一个字段，算力涨一档，但客户愿意多付的钱——往往不涨。这是最典型的价值错配，也是最伤乙方的地方。

第三处最容易被低估：标注和调优。

一个细粒度属性，就拿上衣颜色说，得拆成多少类。黑白灰蓝绿红黄紫粉，还得加条纹、格子、纯色、深浅。要做到能当线索用，单一类别样本差不多要十万量级，人工标注按一张几毛到几块钱算，一轮下去就是几十万到上百万。这笔钱比一块推理卡贵。而且不是标完就结束。换个点位、换个季节、换款前端设备，数据分布就漂了，得重新来。

这里打个农业的比方。模型就是种子。POC是小块试验田，水肥齐全，长得都漂亮。真实点位是大田，旱涝不均、土壤酸碱不同，还夹着病虫害。同一个品种，在海南抽穗，到黑龙江可能就不灌浆。所以国内做安防的这几家，最后拼的不是谁的模型新，是谁的试验田数据库厚。海康、大华这类厂子手里攒了十几年的现场分布，这东西别人拿钱买不到。宇视、华为好望在政务和交通口子上咬得很紧。商汤、旷视、云从这些算法公司在通用检测上确实强，但一到某个地市的具体点位，还是得靠本地集成商一点点喂数据。

再看另一头。2023到2024那两年，一批做AI边缘盒子的厂商在猛备货。芯片交期从五十多周一路掉到八周上下，需求预期还挂在天上。结果呢。盒子堆在仓库里，客户已经改主意了——不买盒子，买算法仓。

一台盒子几百到几千块，看着不贵。可乘以几千路就是几千万的固定资产，还要装、要电、要网、要人爬杆子。运营商一句话就把生意结构改了：视频云按路按月租，算法按调用计费。

这话很关键。招标文件正在把买设备改写成买服务。

你去翻最近两年的综治、交通、园区类标书，能看到几条越来越硬的要求：算法要能插拔，不能绑死一家；要支持多算法混跑在同一路视频上；要能导出结构化字段，不能只给画面；要信创，要有国产化率。这几条一出来，整机厂的算法绑定模式就难受了。以前卖盒子送算法，硬件赚钱，算法锁死。现在甲方要求算法仓可换，硬件就成了标准件，利润被压。

谁受益？做算力调度的、做算法商城抽成的、做视频云的。

谁难受？靠硬件差价活着的集成商。

谁在用脚投票？地市一级的运维公司。他们算过账，一台结构化服务器三年电费加维保，不比设备本身便宜。

还有个词绕不过去。现金流。

集成商垫资进场，验收后质保金留百分之五到十，两年后结。中间任何一次再识别准确率不达标打回来，账期就再拖一个季度。我见过一个项目，结构化部分的设备款只占合同两成，但返工成本吃掉了全部毛利。技术验收标准写得含糊，等于把风险整包甩给乙方。这不是技术问题，这是合同问题。

三 保安队长 辅警 标注员 还有写标书的人

说回人。

最先被改变的其实是看屏幕的那批人。以前园区监控室三班倒，八小时盯十六个画面，眼睛里全是雪花。现在系统自动弹事件：有人翻越、有车违停、有包裹遗留。听起来是解脱。实际呢。误报率没降到位之前，保安队长每天要多点五百次鼠标，点烦了直接把告警关掉。这跟早年烟感报警一模一样，最后大家都把电池拔了。

然后是运维。结构化这东西是要养的。模型会漂，设备会老，镜头会脏。一个季度不擦镜头，傍晚逆光下的属性识别就掉一截。所以现在市场上真正吃香的岗位，不是调模型的，是能爬杆子、会看日志、懂点算法的复合运维。这类人在长三角、珠三角月薪已经从八千顶到一万五以上，还招不满。

再往下游，是标注车间。中部、西南一批县城里坐着一排排标注员，一天几千框。他们干的不是高科技，是重复劳动。这活计的特点是：单价一路往下走，要求一路往上走。通用框标注早被自动化预标注吃掉大半，剩下的全是边界模糊、需要人判断的——恰恰是最难、最慢、最没议价权的部分。这算不算卡脖子？不算。但它决定了整个行业能不能把成本压到甲方愿意付的那条线以下。

再说写标书的人。这是最被忽视的一环。一个地市的采购文本里，结构化这三个字到底指什么，往往取决于某位技术负责人看过的某一份厂商材料。指标写得含糊，就等着验收扯皮；写得死板，就把创新堵死。我见过最好的写法，是把准确率拆成三个可测场景，加一个公开的失败样本集。可惜这样的文本太少了。

所以给一线从业者的判断，说白了就几条。

别再把算法精度当核心竞争力，那东西在收敛，谁家都差不多。

真正值钱的是把脏视频变成干净数据的那整条脏活：接入适配、时间同步、畸变矫正、字段归一、标签体系、运维闭环。这些不上台面，但甲方付钱买的就是它。

甲方要的从来不是模型。是出了事能回放、能串联、能当证据。

仓库里的盒子不会自己变成服务。早转型早活。

视频结构化这词喊了十年。到今天它依然卡在两头：一头是标注车间里那张模糊的截图，一头是招标文件里那行写不清楚的话。

最后留个账。结构化出来的元数据，体量大概只有原始视频的十万分之一到百万分之一。那我们为什么还在为那百分之九十九点九九九九的原始帧，一直付存储费和电费？这笔账，谁先算明白，谁就先活。