Making Cities Awesome: Peregrine’s Nick Noone & Ben Rudolph

Paragrin 用 AI 帮美国城市整合已有数据，90% 数据集成代码自动生成，不采集新数据，数据和权限全归客户。

不多收一条数据，AI反而更能守住城市

Nick Noone 与 Ben Rudolph 是 Peregrine（逐字稿中作 Paragrin）的联合创始人。Nick 曾负责 Palantir 的 SOCOM unit，进入中东高风险情报行动；Ben 则在 UNHCR 做过难民工作，也曾在 Dimagi 参与印度政府的结核病用药依从性项目。两人从截然不同的现场出发，却得出了相似判断：许多公共问题，表面上缺人、缺钱、缺响应速度，底层其实卡在数据无法被安全地理解和使用。这期对话谈的不是“给城市装一个更聪明的 AI”，而是一个更难的问题：当 AI 进入警察、消防、急救等高敏感机构，如何既让它有用，又不让它攫取本该属于地方社区的权力。

这期回答了 8 个问题：

1. 公共安全 AI 为什么不该靠安装更多摄像头和传感器增长？
2. 一座县城的百余次水上救援，如何被 AI 追溯到“三天连续天气”的隐藏模式？
3. 为什么真正的前线部署不是“更快交付”，而是先放下工程师的自我？
4. 当 90% 的数据集成代码由智能体生成后，人类部署团队究竟还负责什么？
5. 一个冷案智能体如何在 300GB 证据里找到决定性的手机记录？
6. 为什么一线工程师写出的“笨办法”，反而是产品路线图最可靠的信号？
7. 面对人脸识别，科技公司该不该替城市划出统一红线？
8. 如果服务一万座城市，AI 公司怎样避免成为新的中央权力？

被问到 Peregrine 与 Flock、Axon 等数据收集型公司的结构性差异时，Nick 先指出了公共安全软件过去常走的一条路：把硬件或软件装进客户体系，通过传感器被动采集信息，或让工作人员手动录入，然后存储这些信息。公司掌握的数据越多，分发能力越强，就越容易继续卖出更多收集工具。这套模式的增长引擎，本质上是不断扩大数据入口。

Peregrine 反着做。它不以给客户带来新数据为目标，而是连接一个机构早已拥有、却彼此分散的信息，在原有系统之上提供权限控制、数据治理和更精确的使用方式。Ben 进一步把边界说得很清楚：每个机构拥有自己的数据；机构服务的是当地社区，因此这些数据属于社区和机构，不属于 Peregrine。Nick 对问题的概括是："The fundamental problem is that they can't utilize the data that they have or utilize it in a way that's secure and high trust for the communities that they serve."（根本问题在于，他们无法利用自己已有的数据，或无法以一种安全、能获得所服务社区高度信任的方式使用这些数据。）

这意味着，公共安全 AI 的竞争不必是“谁看得更多”，而可以是“谁能让同一份数据被更准确、也更受约束地使用”。数据治理，简单说就是规定谁能看、何时能看、能看多少、能否转给别人；它不是合规部门最后补的一道手续，而是产品能力本身。代价也很直接：Peregrine 主动放弃了把数据汇成一个大池子所带来的网络效应。它必须证明，不多收一条数据，也能让客户感受到足够强的效率和判断力提升。

被问到客户正在尝试哪些 AI 用例时，Ben 没有先讲自动决策，而是从一个很朴素的起点讲起：刚部署 AI 时，它往往只是“更好用的搜索”。过去查一个地址，工作人员可能要翻很多行表格；现在输入地址，就能看到那里发生过什么。但这种便利只是第一层。随着更多人会用系统，信息查找不再是少数熟手的特权，正如 Ben 所说："you start to see the floor get raised for everybody across the department"（你会开始看到，整个部门里每个人的能力下限都被抬高了。）

真正有意思的一步，发生在佛罗里达一个县。某个月，该县不得不进行超过 100 次水上救援，工作人员追问：以前从没这么多，究竟哪里变了？系统经过多轮分析，发现类似天气过去也出现过，但从未连续三天出现。连续天气形成了沙道，沙道又形成适合离岸流的条件，最终增加了水上险情。这个县于是可以把结论叠加到地形图等本地信息上，用于后续救援部署和风险应对。

这意味着 AI 的上限不只是替人更快找到“已经知道要找什么”，而是让事故记录、911 呼叫、天气、地形这些原本分开的材料，开始回答“为什么会发生”。不过，因果线索不会凭空长出来。没有可靠的事件记录、完整的数据接入和能对应本地语境的地图信息，AI 仍然只能停在更漂亮的搜索框，而无法成为预防性调度的工具。

被问到 forward deployed engineering，也就是“前线部署工程”究竟是什么时，Nick 给出的定义不像岗位说明书，更像一种工作姿态：工程师进入客户现场后，要在心理上拥有、或共同拥有客户的问题；但最终赢的人必须是客户，而不是供应商。Peregrine 内部对此的说法是："We talk internally about getting all the way to the outcome with and on behalf of our customers."（我们内部一直讲：要与客户一起、代表客户，一直走到结果落地的那一步。）

这套方法不是一开始就顺利。团队在获得加州 San Pablo 警察局许可前，遭到的拒绝“肯定超过两打”。直到 2018 年 2 月 26 日，San Pablo 才允许他们带着门禁证进入办公楼、拥有桌位并接触信息。促成转机的不是一段产品演示，而是他们找到参与过 Operation Red Reach 的年轻指挥官 Brian Bouar。Nick 和团队没有上来就说“我们能解决”，而是承认“我们知道得不多”，请求进去提问、学习他如何推进案件。

这意味着，在 LAPD 这类拥有数十年数据、制度习惯和人际协作方式的机构里，代码写得快不等于部署得快。顶尖学校出身的工程师若急于表现自己能迅速理解一切，客户感受到的很可能不是聪明，而是自负。前线部署真正要争取的是制度信任：先理解客户如何工作，再共同承担结果。边界也在这里，这种高同理心、耐心和现场投入的模式，天然比标准化 SaaS 更慢、更重，无法靠一套销售话术批量复制。

被问到是否在做长时运行的后台智能体时，Ben 把镜头先拉回数据底座：Peregrine 约 50% 的工程师，主要在建设让部署团队整合客户既有数据的平台。到目前为止，他们已在所有客户中整合了数以万计的数据集。这不是把文件拖进一个文件夹那么简单，而是要识别数据库结构、理解不同字段代表什么，并把原本互不相通的信息变成可查询、可控制的数据关系。

Peregrine 为数据整合智能体建立了 eval set，也就是一套用于评测的标准测试集，能以确定方式检查集成结果是否完整、是否正确。团队平时用 Python notebooks 做大量集成工作，其中约 90% 已由智能体编写，但部署团队仍在监督。智能体可以连续运行数小时：分析数据库，理解 ontology。这里的 ontology 可以理解为数据对象及其关系的“词典和地图”——谁是人、谁是地点、一次事件与哪些记录相连。随后，主智能体把任务拆给多个子智能体，再汇总结果。

这意味着，最先被智能体接管的，不会是所有高风险判断，而是长期、琐碎、重复但可检验的工作。人的位置从手写转换代码，转向定义什么算“正确”、识别异常、理解客户数据背后的制度语境。Ben 特别强调，编码智能体相对容易，原因就在于结果可验证。反过来说，能写掉九成集成代码，并不等于面向最终业务判断的智能体也有同样可靠性；后者往往不存在这样清晰的标准答案。

被问到真正面向最终用户的智能体会长什么样时，Ben 讲了 Peregrine 最早开发的 cold case agent，即冷案智能体。一宗高度关注的案件，材料可能有 200 至 300GB：视频、音频、图片、大量 PDF，有些警局甚至仍保存着装满纸质档案盒和光盘的记录。侦探面对的第一道难题，往往不是推理能力不够，而是人根本无法快速看完、听完、读完这些材料。

他们最初与一个客户合作。该客户曾处理一宗冤案，并成功为被错误定罪的人平反，随后提出一个具体要求：能否让智能体复现侦探已经完成的调查结果？团队把原有证据全部交给系统，让它运行 30 分钟、60 分钟，逐步提炼线索。Ben 的结论很克制："eventually we got to the place where it could reproduce the results that those detectives had gotten to."（最终我们做到了：它能够复现那些侦探已经得出的结果。）

随后，在威斯康星州一个县，系统面对同样约 300GB 的材料，从散落在海量信息中的少量手机通话详单记录里，帮助定位一名嫌疑人不仅在案发现场，也在发现遗体的位置。这里的关键不是机器“破案”，而是它把人从无数小时的音视频浏览中解放出来，优先提出值得复核的关联。边界同样明确：现有证据首先是复现已知结论，且该智能体只在美国少数部门使用；逐字稿没有声称它能脱离侦探独立定案。

被问到前线部署团队是否真的会产出新产品时，Nick 的回答是“100%”。原因在于，客户现场不会等总部把功能排进下一个季度路线图。Peregrine 曾长期没有编辑具体字段和属性的能力。一名部署工程师为了绕过限制，干脆利用用户写在对象上的评论做集成：系统读取评论，再据此更新属性。这个办法听上去很“土”，甚至有点像拿便签纸补数据库缺口，但团队看到它后立刻意识到，产品必须原生支持编辑功能。

Nick 对前线团队的要求也解释了这种现象："your job is to hit the objective like to hell with the technology."（你的工作是达成目标，技术本身靠边站。） 这句话不是轻视技术，恰恰相反：平台团队的任务是不断补齐工具，让现场人员能解决更高层级的问题；而现场人员的任务是先把客户目标打穿。另一名部署策略师把 911 呼叫时间、预算等不同来源的数据整合起来，做了一个消防站选址工具：在城市地图上放一座消防站，就能估算会影响多少人。Nick 特别提到，这名员工当时入职才一个月。

这意味着，前线部署不是成本中心，而是最接近真实需求的研发传感器。总部不必先假设功能，再寻找适用场景；一线可以先用任何可行手段解决任务，反复出现的“补丁”就是产品缺口的信号。但 Ben 也区分了两类创新：有些应沉淀为通用能力，有些只是某个客户独有的工具。精彩原型不等于值得规模化，产品路线图还要判断需求是否能跨机构复用。

被直接问到人脸识别这类技术的道德灰区时，Nick 没有给出一个供应商式的统一答案。他说，美国大多数公共安全机构及其社区选择不部署人脸识别；其中一些是强烈反对，另一些则是主观偏好。但他反对由一家硅谷公司为整个行业设定通用规则："I think the idea of like a Silicon Valley company imposing a decision that is kind of general purpose for an industry is fundamentally wrong."（我认为，一家硅谷公司向整个行业强加一种通用决定，这件事从根本上就是错的。）

Peregrine 的角色，是帮助客户理解所处语境，呈现他们可能还不知道的考量，再协助他们形成适合当地的部署方式。这里的“语境”不是一句空话：法律、地方条例、部门操作规范、社区态度、数据留存要求，都可能改变同一项技术在两个城市中的正当性。Nick 还观察到，城市之间会相互打电话咨询。改善它们获得最佳信息的能力，能帮助它们自己决定采用还是不用某种技术。

这意味着，高风险 AI 治理不会自动收敛为供应商的一套道德准则，而更像分布式决策：地方机构、社区规范和法律共同参与。这样的克制并不轻松。它避免了科技公司把自身偏好包装成普遍原则，却也意味着不同城市可能对同一项技术得出相互冲突的结论。Peregrine 在这里没有彻底化解冲突，而是选择把决定权保留给本地，同时要求自己提供足够清楚的权限、信息和边界。

被设想十年后一切顺利、Peregrine 成为 10,000 座城市的 institutional memory layer——制度记忆层——时，主持人的问题直指风险：如果一家公司保存的信息跨越任何一届政府，它会不会变成新的中央权力？Nick 的回答不是“我们会善用权力”，而是否认公司该拥有这种权力。他认为，正确路径是提供技术基础设施，让机构按自身要求和法定责任使用数据；决定权仍应在机构手中。原话很短："It's the institution that has the power."（拥有权力的是这个机构。）

所谓制度记忆层，可以理解为把城市长期积累的事件、资源、流程和协作经验变得可查询、可延续，不因一届管理者更替而散失。但 Nick 同时强调，每座城市、每个辖区都独一无二，保存这种独特性本身是“beautiful”的。规模化不该意味着一万个城市用同一套决策逻辑，而应意味着一万个城市都能在自己的数据、权限和规则之内获得更好的工具。

这里还有两层现实约束。第一，“一万座城市”是主持人的假设，不是公司承诺。第二，Nick 明确说，通向这种图景的路径需要持续的 integrity、moral compass 和 core values，也就是日常交付中的诚信、道德判断和核心原则；它们不会因为平台成熟而自动存在。公司即使把服务成本降到过去难以想象的水平，面对每一个新增机构，仍要处理权限、数据和当地规范这些细碎但决定性的事。

“公共安全不必靠多收数据，关键是把已有数据用对”和“若成为万城基础设施，Peregrine 反而必须放弃替城市做主”，表面上一个在讲数据架构，一个在讲权力边界，实际指向同一件事：AI 不应通过集中数据来集中决定权。

这也解释了为什么 Peregrine 把前线部署看得这么重。只靠总部的产品经理，很难知道佛罗里达一个县超过 100 次水上救援背后，是连续三天的天气、沙道与离岸流的组合；也很难知道一个消防站选址工具该接入 911 呼叫时间和预算，还是一个字段编辑功能会卡住一线人员的哪一步。技术要在地方发挥作用，就得承认地方有自己的数据、历史、制度和问题。

因此，冷案智能体复现侦探结论，意义不在于让机器取代侦探；数据集成智能体写掉九成代码，意义也不在于让客户不再需要人。它们都在把人的时间从机械筛查和重复转换中腾出来，留给那些必须由人承担的工作：界定目标、审查证据、解释语境、做出并承担决定。

对普通读者而言，这套思路也不只属于公共安全。每当一家公司说要用 AI “整合一切”“自动替你决策”时，真正该问的不是它的模型有多大，而是数据归谁、权限由谁设、错误由谁复核、最后是谁握着决定权。AI 可以成为一座城市更好的记忆和工具，但它不该变成城市替自己思考的理由。