三年前,大卫·劳伦斯还在哈佛法学院读书。校园附近一起警察卷入的枪击案闹得沸沸扬扬。
他得出一个判断:大多数执法失误不是警察存心作恶,而是现场记不住那几千页规定。这个判断让他退学。
他找来一位前Google工程师和一位波士顿警局退休副局长,三人做了一款警察现场用的实时政策问答工具,叫Blue Voice。警察遇到不确定的情况,直接问系统,系统给出对应的部门规定条文——而不是替警察拿主意。
现在这家公司拿到600万美元种子轮融资,由SignalFire和Las Olas VC领投。
发生了什么
三件事先弄清楚:
- 融资.600万美元种子轮,SignalFire和Las Olas VC领投
- 覆盖.25个州225家县级警务机构,平均每分钟被问一次
- 增长.公司称过去一年客户数增长11倍,目前只有公司自己披露,没有第三方核实
团队分工也很清楚。劳伦斯管产品,曾在康涅狄格州州长内德·拉蒙特团队工作过。Amit Patankar是哈佛MBA、前Google工程师,管技术。Michael Gropman是波士顿警局退休副局长,管警务合理性把关。
分水岭:它和通用AI、和同行差在哪
Blue Voice划了两条线。第一条:回答必须能溯源到具体条文,不能是模型自己拼出来的结论。第二条:系统不下达指令,只提供规则和风险提示,决定权留在警察手里。
这两条线合起来,像给警察配了一个随身法务助理。它不做决定,只提供参考。劳伦斯把它类比成律师用的Harvey、医生用的OpenEvidence——这只是营销类比,产品可靠度还没到这个量级。
它的直接对手Lexipol背后有私募资本支持,最近在往"辅助破案"的功能扩展。三者放一起看更清楚:
| 维度 | 通用AI(如ChatGPT) | Blue Voice | Lexipol |
|---|---|---|---|
| 回答来源 | 模型自行生成,难溯源 | 部门法规原文,附出处 | 内容体系成熟,私募支持 |
| 决策权 | 无部门语境,参考价值有限 | 留给警员,系统只指路 | 同样定位为参考工具 |
| 当前动向 | 警务场景错误率据称偏高 | 主打"合规基础设施" | 正扩展至"辅助破案" |
这个赛道正从"提供规则"悄悄挪向"辅助推理"。这恰恰是风险开始上升的地方。
我的判断:谁该观望,谁该盯紧
合规基础设施这个定位是对的。执法系统很多错误,确实来自信息滞后和记忆负担。给警察一个能查到原文的工具,门槛低、风险可控——这是它能快速铺到225家机构的原因。
但公司讲的"帮着阻止一起诱拐""减少运营争议"这类案例,只是叙事,不是独立验证过的因果。规则本身会过时、会有地方性偏差。AI再准确地复述一条错的或过时的条例,结果一样是错的。
责任最终落在警察身上。但这套系统本身该承担多大责任,现在没人说清楚。
对警局管理者和采购部门来说,现实的动作应该是观望而不是抢先签约:先要独立审计报告,先看规则更新机制怎么写进合同,再谈大规模部署。对民权监督机构来说,该盯的不是准确率数字,而是误用申诉流程和责任归属条款——出了错,算系统的锅还是警员的锅,合同里写清楚了吗?
孟子说"徒善不足以为政,徒法不足以为治"。光靠善意做不成治理,光靠条文也不够。技术把条文送到警察手边,只解决了"够不着"的问题,没解决"用得对不对"的问题。
Blue Voice和因车牌监控滥用惹上争议的Flock Safety,站在同一个警务AI叙事里。前者讲效率与合规,后者已经付出过信任的代价。执法AI真正的分水岭,不在于它多准,而在于出了错谁来担。
接下来最该看的三件事:11倍增长有没有第三方数据佐证,规则更新的滞后时间有多长,责任归属条款有没有写进和警局的合同。这些答案目前都还没有。
回到开头那起校园枪击——如果这类工具真能让下一个现场少一次因为记不清规定而做错的决定,方向没错。但它离经得住第三方核实,还差一段路。