美国监控巨头代码泄露：AI警务系统竟把全民当嫌犯？

最恐怖的事情的端倪，往往源于滑稽的小疏忽。

这些原本藏在公司保密协议最深处的代码，掀开了当今世界最毛骨悚然的一角：

他们看到一套尚未正式发布、内部代号为“Nightshift”（后改名为 “OS Investigate” ）的 AI 警务系统。

这套系统最恐怖的地方在于——它的运转，根本不需要嫌疑人的名字，每个人都是嫌疑人。

警察只需要在对话框里输入一句大白话（比如：“搜一下最近深夜频繁往返于不同加油站的车辆”），后台的大模型就会立刻调动遍布全美的数据网，开始对无辜大众的日常生活习惯进行概率推演。

汤姆·克鲁斯在电影《少数派报告》里至少还需要三个躺在水池里的“先知”来预判犯罪；而在现实中，美国警方只需要一个 Prompt（提示词），就能把普通人每天的轨迹，打磨成一张张随时准备收紧的网。

在官方声明里，Flock Safety 永远是一副“人权守护者”的姿态。他们反复强调：“我们的产品仅用于针对具体案件的调查，绝对不会用于大范围监视普通民众！”

泄漏的代码却狠狠抽了这套公关辞令一巴掌。代码是最诚实的，它不用开记者会，也不会对着选民撒谎。

泄漏的代码库里，明明白白地硬编码着 69 个预设 Prompt 模版 和 45 种跨系统调用的数据工具。这相当于直接把大模型（LLM）的底层“拖网”能力，接入了庞大的监控神经网。

传统警务要调查一个人，逻辑是：发现了罪案--寻找特定证据--锁定嫌疑人。

而 OS Investigate 的逻辑是：用自然语言写个网--用算法扫荡所有人的通勤、接送孩子、买宵夜轨迹--按照概率挑选出谁‘像’罪犯。

更讽刺的是这套系统所谓的“合规监管”。

Flock 在宣讲时曾保证，警察每一次调阅市民的时空轨迹，都必须在系统中填写严格的“办案编号”和“搜查理由”，以防权力被滥用。

可白纸黑字的代码打脸了——前端代码里，针对这个“搜查理由”的校验逻辑极其敷衍，它只检查输入的字符长度是不是大于等于 3。

这意味着，如果某个警察想私下追踪前妻的出行路线，或者好奇隔壁邻居每天晚上去了哪里，他只需要在搜索理由框里随手敲下 abc 或者 123，算法大门就会瞬间洞开，将目标近几年来的每一条时空轨迹双手奉上。

美国宪法第四修正案所谓的赋予公民的隐私尊严，在前端代码里只值 3 个字符。

如果说“自然语言搜人”只是降低了监视门槛，那么系统代码里写死的“连坐算法”，才是真正的赛博噩梦。

在 OS Investigate 的代码逻辑中，有一段关于计算“社交网络”的底层公式：

算法规则是这样的：

这种基于概率的时空重合计算，直接将无辜者的日常生活卷入了犯罪推演的旋涡。

不妨用两个普通人的生活场景，来看看这行代码在现实中是如何发挥“威力”的：

场景一：“夜班加油”的网约车司机--连环踩点嫌犯

老John是一名夜班网约车司机。为了省钱和上厕所，他习惯在凌晨 1 点到 4 点之间，频繁往返于城市边缘的两三家便宜加油站和 24 小时便利店。

某天，某家便利店遭劫。警官打开 OS Investigate，输入 Prompt：“查找深夜在多个加油站频繁停留的车辆”。算法瞬间扫过老John的轨迹，将他正常的打工习惯拟合为“窃贼实施盗窃前的踩点模式”。

John还在开着车，巡逻车已经警灯高照将他拦下——他甚至不知道自己怎么就成了警方名册上的“高风险嫌疑人”。

场景二：“接送孩子的单亲妈妈”--毒贩潜在同伙

Lisa女士每天早上 8 点准时开车送孩子去上学。而同社区一名涉嫌贩毒的嫌疑人，恰好也在每天同一时间出小区、经过同一交叉路口。

按照 Flock 的代码逻辑：2 分钟内、重合 3 次、置信度 >0.75。算法根本不管 Lisa 认不认识这个人，它会在毫秒内把她标记为“毒贩潜在同伙”，并自动调用商业数据库，将她的身份证号（SSN）、家庭住址、亲友关系强行拼接到毒贩的关系图谱上。

在算法眼里，不存在什么“巧合”。无罪推定变成了“算法拟合”，合理怀疑变成了“概率拖网”。

Flock Safety 到底是什么来头，能有这么大的能量？

这绝非某家小作坊软件公司的异想天开，而是一家估值高达 75 亿美元、累计融资超 9.5 亿美元 的硅谷巨无霸。

它的监控网络已经蔓延到了全美 49 个州，部署了超过 12 万台 带有 AI 识别功能的车牌摄像头（ALPR）。它的客户名录里，横跨了 5000 多家 执法机构，以及 6000 多个 社区业主委员会（HOA）和商业中心。

最可怕的不是单体摄像头，而是数据生态的“横向并联”。

在 Flock 的系统里，有一个叫“全国寻查”（National Lookup）的功能。一旦开启，单次查询就能瞬间打通全美 7000 多个 地方监控网络。

不仅如此，泄漏代码透露，Flock 底层通过 API 强行打通了全美顶级的商业数据巨头（如 LexisNexis、TransUnion）：

如果再加上 ShotSpotter（枪声定位系统）、Clearview AI（百亿级人脸识别库）以及 Palantir（大数据预测分析引擎），一条覆盖“声音-人脸-轨迹-血缘-生活习惯”的赛博全景监视链条已经彻底闭环。

你以为你只是去买杯咖啡，实际上，监控机器正在后台疯狂运转，实时为你的人生打分。

回看美国执法史，你才会发现这场演进背后无奈的宿命感。

第一世代：物理因果（1968 年起）

1968 年美国最高法院著名的 Terry v. Ohio 案，奠定了现代警务的基石——“合理怀疑”（Reasonable Suspicion）。

宪法第四修正案规定，警察不能无故搜查市民，除非能指出具体的物理事实（比如肉眼看到对方腰间有异物突起、频繁踱步踩点）。在这个时代，搜查的门槛是极其昂贵的。

第二世代：黑名单比对（2000 年代）

随着第一代车载车牌识别系统（ALPR）普及，警务进入数字时代。但当时的逻辑依然是“黑名单比对”：摄像头拍到车牌，去和失窃车辆或通缉犯数据库做二进制碰撞。命中就报警，没命中就忽略。

第三世代：云端全量归档（2010 年代）

以早期 Flock 为代表的云端监控兴起。摄像头不再只是即时比对，而是把所有经过的无辜车辆记录全量存入云端，保留数月甚至数年。这是“数据积累阶段”，公民的时空隐私开始被大规模资产化。

第四世代：AI 大模型预判（现在）

也就是这次泄漏事件揭露的 OS Investigate。它彻底撕下了“黑名单比对”的伪装。

警方不再需要你犯过罪，也不需要你的车牌挂在通缉榜上。算法通过 LLM 的自然语言理解能力，直接对所有普通人的“日常生活习惯”进行离散化建模和概率推演。

五百年前，英国国王发放“通用搜查令”（Writs of Assistance），允许官员无理由搜查任何民宅，最终引发了美国独立战争，促成了宪法第四修正案的诞生。

五百年后，大模型成了数字时代的“通用搜查令”。只是这一次，它不需要官差破门而入，它一直静静地挂在路边的电线杆上，跑在 AWS 的服务器里。

AI 警务最危险的地方，不在于它有多聪明，而在于它赋予了权力一种“客观公正”的幻觉。

当警察把一个普通人堵在路边，手里的终端显示着该男子是“潜在同伙”、置信度 0.82 时，没有任何警官会去怀疑底层代码里那个极其草率的“2 分钟内出现 3 次”算法。他们只会相信屏幕上的红字，然后拔出腰间的枪。

把人先按在地上再说。如果错了，再放了就是。

科技未曾消除偏差与偏见，它只是把人类的惰性与冷酷，打包封装进了看似高大上的数学公式里。

Flock 安全公司在代码里硬编码了对公民隐私的漠视，却在公关宣传册上印满了“让社区更安全”的标语。而那个只要敲入 abc 就能绕过的监管框，就像是这个赛博时代最大的讽刺。

当你的通勤路线、买菜习惯、深夜偶遇，都可以被大模型任意解读并赋予罪名时，这个世界上或许已经没有所谓的“无辜者”了——我们都只是还没被算法拟合出犯罪倾向的“潜在嫌犯”而已。

不知道下一次你深夜开车去便利店买宵夜时，路边那个闪着微弱红光的摄像头，又会在数据库里为你生成一段怎样的陈述？