”治未病”理念下的预测性警务建设 —— 建议与可行性分析
报告日期：2026年3月 | 报告类型：行业专家咨询分析
1. 执行摘要
? 核心发现
大模型在预测性警务中具备明确的技术可行性，但其价值并非替代现有小模型，而是作为”语义理解与推理引擎”，与已有的多维度标签体系形成互补，实现从数据到洞察的跃迁。 国内外已有多个落地案例：芝加哥大学AI模型实现90%的犯罪预测准确率；江苏某市公安”AI+”警务模式实现从被动响应到主动预防的转变；成都某区公安18天落地全国首个警用DeepSeek大模型。 推荐采用”大小模型协同+RAG+知识图谱”的混合架构，结合LoRA微调实现领域适配，通过本地化部署保障数据安全。 需高度重视算法公平性与伦理合规问题，建立”预测-处置-复盘-纠偏”的全周期管控机制，避免算法偏见导致的执法不公。 建议分三阶段推进：先在信息抽取与辅助研判场景验证（6个月），再扩展至风险预警与态势感知（12个月），最终形成全域预测性警务体系（24个月）。
2. 行业背景与需求解读
2.1 ”治未病”理念的核心内涵
”治未病”源自中医预防思想，映射到公安领域，其核心诉求是：将警务模式从”事后被动响应”转向”事前主动预防”，通过AI技术实现对治安事件和刑事案件的预先感知、精准预测与提前干预。这一理念与国际上”Predictive Policing（预测性警务）”的发展方向高度一致。
公安行业对AI大模型的需求可以聚焦为以下三个层次：
| 感知层 | ||
| 研判层 | ||
| 预测层 |
2.2 当前基础条件评估
公安行业已具备以下关键基础条件：
数据资产丰富：已积累包括人口信息、案件记录、视频监控、通信数据、轨迹信息、社会关系等多维度海量数据，部分城市数据量已达万亿条级别。 标签体系成熟：基于各类小模型已建立起多维度的大数据标签能力，涵盖人员标签、行为标签、风险标签、关系标签等维度。 信息化基座已建：多地已建成公安云平台、数据中台、”情指行”一体化平台，具备数据汇聚和初步分析能力。 实战经验积累：传统数据挖掘和机器学习方法已在部分场景中得到验证。
⚠️ 关键差距 现有小模型各自独立运行，缺乏统一的”语义理解与推理层”，难以实现跨维度、跨时空的深层关联推理。大模型正是填补这一空白的关键技术手段。
3. 大模型核心能力与传统小模型的对比分析
3.1 能力维度对比
| 信息抽取 | |||
| 模式识别 | |||
| 逻辑推理 | |||
| 自然语言交互 | |||
| 跨模态融合 | |||
| 实时性 |
✅ 核心结论大模型并非替代小模型，而是作为”智慧大脑”赋能已有标签体系。 最优策略是”大小模型协同”架构：小模型负责高频、实时特征提取；大模型负责深层语义理解和推理。两者通过知识图谱连接，形成”感知-标签-推理-预测”闭环。
4. 大模型赋能”治未病”的关键应用场景
4.1 场景一：多源信息智能抽取与语义融合
问题：公安系统中大量关键信息以非结构化形式存在，传统模型难以处理复杂表述。 大模型赋能方式：
自动摘要与实体抽取，识别新型犯罪术语。 抽取结果与现有标签体系对齐。 基于领域模型的定制化信息抽取。
4.2 场景二：案件关联分析与犯罪网络研判
问题：跨时空、跨案件类型的深层关联分析依赖人工经验。 大模型赋能方式：
利用Graph RAG（知识图谱+检索增强生成）构建图谱。 多跳推理发现隐藏犯罪网络拓扑。 时序分析识别跨度规律和演变趋势。
4.3 场景三：犯罪热点预测与动态风险预警
问题：综合多维信息预测特定时空区域治安风险难度大。 大模型赋能方式：
整合多维度标签进行综合研判。 将近期舆情、天气等非结构化信息纳入考量。 生成可解释预测报告。
4.4 场景四：重点人员行为异动预警
问题：需持续监测行为模式变化，识别可能犯罪信号。 大模型赋能方式：
将重点人员多维特征时序变化输入大模型。 结合犯罪学领域知识评估异动风险。 输出风险评估和置信度报告。
? 重要边界说明 需要明确，AI 不能精确预测个体的犯罪行为。预测性警务的本质是识别 统计意义上的风险模式和高概率区域/时段，而非”预判犯罪”。这是技术和伦理双重底线。
5. 技术实现路径：数据标签体系与大模型融合架构
5.1 总体技术架构
推荐采用 ”数据层-标签层-模型层-应用层”四层架构 ：
应用层：智能问答 / 风险预警大屏 / 案件研判助手 / 预测报告生成 模型层：大语言模型 (LLM) + LoRA / RAG ↔ 知识图谱 (KG) ；并与小模型集群协同 标签层：统一标签管理平台 (人员、行为、风险、时序标签等) 数据层：数据中台 (各类结构化、非结构化及实时流数据) 
5.2 关键技术组件详解
RAG检索增强生成：缓解”幻觉”，结合知识库提供有据可查的分析推论。 Graph RAG：在RAG基础结合知识图谱，实现多跳推理、网络拓扑隐蔽线索挖掘。 LoRA微调：轻量级领域适配，大幅降低公域模型落地公安业务时的全参数微调成本。 大小模型协同：小模型底座初筛标准化标签，大模型针对特殊场景和研判难题做逻辑深挖。
5.3 数据标签融合关键策略
标签语义化：使大模型可以直接理解代码化的标签（例如将“risk_level=3”转换为对应自然语言描述）。 标签图谱化：让模型发现各种标签间的隐性关联逻辑。 动态化与质控闭环：通过时间轴动态跟踪调整，并借助大模型建立反推质量核查机制。
6. 可行性分析：技术、成本、伦理三维评估
6.1 技术可行性：高
已有多地实战落地案例，信息抽取与图谱集成已有诸多平台实践；开源大模型加 LoRA 等微调技术提供了低门槛的本地化私有部署可能。
6.2 成本可行性：中等偏高，但可控
初级方案（100-300万起步）：选用 7B-14B 级模型单机或小规模阵列部署。 中级/全域方案（大几百万乃至千万级投入）：引入 70B+ 参数级别大容量基座模型、多节点算力支撑及自研大体量算法系统开发。 降本提效思路：推广适配国产算力，采用小参数量化剪枝与大小模型混合路线降低日常功耗。
6.3 伦理与法律可行性：需高度重视
⚖️ 法律与社会风险框定 密切关注历史数据带来的算法资源分配偏见、数据隐私以及无罪推定等法理矛盾点。大模型推论结果仅作为工作建议与参考，绝对不能逾越底线替代依法直接处置的警务权力。建议从设计阶段即参照《个人信息保护法》与相关人工智能伦理规范推进合规审查。
7. 风险识别与管控策略
技术层管控：针对模型幻觉等问题，强调RAG调用与必要的人工干预；开展系统前置数据清洗整理。模型输出务必留痕溯源。 业务面闭环：“预测阶段（发现预警）- 处置阶段（人工跟进）- 复盘阶段（准确率核验）- 纠偏阶段（特征与权重动态调整）”，形成稳定的演进飞轮。
8. 分阶段实施路线图
⛳️ 第一阶段 | 0-6个月：基础验证期 —— ”让大模型读懂警务数据” 选型部署 DeepSeek-7B/14B 等开源模型，搭建RAG知识库，在报警记录梳理、各类笔录、事件类别提纯等文本处理场景先行使用。 ⛳️ 第二阶段 | 6-18个月：能力扩展期 —— ”从理解到预警” 融入知识图谱能力实现 Graph RAG，完善数据流水线建设和大小模型衔接，逐步展开高价值隐蔽关联警情推理等模块的内测。 ⛳️ 第三阶段 | 18-30个月：全域预测期 —— ”构建预测性警务体系” 全面覆盖治安、刑侦、交管多维应用，接入海量泛感知设备流数据并升级部署万亿级全域调度中心，形成覆盖城市的态势分析系统。
9. 建议与结论
9.1 核心建议摘要
坚持”大小模型协同”，稳固原标签资产基本盘。 坚定采纳基于 RAG 及领域图谱复合架构以遏止幻觉扩散。 把控实施节奏，优先从自然语言处理切入最后延展至深层次治安形势预估。 将安全、合规与算法公正性贯穿研发和投产使用生命周期的每一个阶段。 推进政务与产业、科研多端脱敏协作。
9.2 总结报告
大模型技术为公安行业”治未病”提供了前所未有的技术可能性。预测性警务不是”预知未来”，而是基于数据底座对趋势概率的科学归敛演绎。
? 总而言之： 大模型不是单纯的”水晶球”，而是让公安既有庞大数据资产和标签能力真正”活起来”的智慧引擎 —— 帮助公安战线从“看得见”升级到“想得透”，从“追得上”升级到“防得住”。
参考与引述说明 本报告梳理聚合了预测性警务、大数据分析效能、最新国内“大模型+智慧警务”之核心理念撰写生成，供研判交流参考。
