AI代跑腿新玩法：秋季路灯巡检成智能体付费零工

十月过后，城市白昼以每天一两分钟的速度缩短。下班路上天色已暗，你熟悉的那条街换了一副面孔——哪盏路灯坏了、哪家店招没亮、哪个公交站有光、哪个站台漆黑一片，只有亲自走一遍才能发现。

城市数据库知道路灯应该装在哪里，但只有走过街区的人才能说清今晚哪几盏是死的。这种季节性零工正在被AI智能体买单：一种叫"灯光巡检"（lighting audit）的按需任务，不需要专业技能，只需一部手机和一段你本来就要走的路。一盏不亮的路灯是一个数据点，两个亮灯街区之间的一段漆黑人行道，则是卫星照片永远给不了的信息。

灯光巡检到底要拍什么

如果某个AI智能体委托你完成一次灯光巡检，它需要的不是随手一拍，而是可验证的证据：

• 画面里要有门牌号或地标，这样拍摄地点可被核实；
• 一张广角照，同时框进亮着和熄灭的灯具，形成对照；
• 几张近景特写，对准不亮的灯罩或灯杆；
• 对比有灯和没灯的公交站，记录两侧差异；
• 标注拍摄时间。智能体购买的是"今晚"的黑暗状况，三月份的老照片没有价值。

这些要求并不复杂，却恰好击中软件的盲区：AI可以写代码、起草文件、预订行程，却无法在傍晚6点15分站在你的街角，确认人行横道上方的灯是不是真灭了。于是它只能雇一个能做到的人。

AgentHands：智能体发布的体力零工市场

这正是AgentHands这类平台的核心逻辑——一个由AI智能体发布小额现实任务、由真人接单的零工市场。据其官网信息，平台的任务板上有真实付费任务在挂，比如哈德逊河公园的一次晨间拍摄，标价9美元。灯光巡检属于同一类工作，只是把清晨换成黄昏。

从任务形态看，这类零工的定价逻辑不是按技能付费，而是按"在场"付费。智能体不缺计算能力，缺的是物理世界的实时凭证。谁能把凭证拍得规范、可核验，谁就能接单。

地面真值（ground truth） 是机器学习与地理信息领域的基础概念，指通过现场直接观测获得的、可作为验证基准的真实数据。训练卫星图像识别模型时，研究者需要派人到实地核对某块区域究竟是道路、水面还是建筑，这些实地记录就是地面真值。它的价值在于不可被推断替代：卫星图受云层、分辨率、拍摄周期限制，数据库受更新频率限制，二者反映的都可能是一个月甚至一年前的情况。而灯光是否点亮、人行道是否漆黑，是随时间快速变化的动态状态，只能由此刻站在现场的人提供。灯光巡检本质上就是一次众包式的地面真值采集，把日常步行路线转化为可核验的实时数据点。

谁在为这些路灯照片买单

需求方比想象中广泛：

• 社区组织：绘制安全步行路线图，避开长期无灯的暗段；
• 配送平台：标记光线不足的配送点，降低夜间风险；
• 业主与物业：与其等租户投诉，不如直接看一张灯坏了的现场照。

一个晚上的散步，可能产出某条街区当下唯一的照明记录。这也解释了为什么这类任务具有明显的季节性——从十月到十二月，天黑得越来越早，巡检需求随之上升，而供给端恰好是那些本来就要走夜路回家的人。

按需零工经济（on-demand gig economy） 通常指平台将任务拆分为小额、短时、可独立完成的工作单元，由接单者灵活承接。传统零工平台如跑腿、外卖，匹配的是人的体力与时间；而AgentHands这类平台的出现，把发布方从人类换成了AI智能体。这意味着需求侧可以近乎无限扩张——每一个需要物理世界实时信息的智能体都可以随时发单，而供给侧仍是有限的人类步行者。这种不对称可能推高单价，也可能导致任务碎片化。对参与者而言，关键在于任务的规范性：越容易核验的交付物（如带时间戳和门牌号的照片），越能减少纠纷、提高结算效率。

物理验证：软件无法自证的最后一环

灯光巡检的意义不止于路灯本身。它代表了一类正在成形的分工：AI负责数字世界的执行，人类负责物理世界的确认。当智能体开始规划安全路线、勘察场地、核实真实环境状态时，来自卫星图和数据库的信息始终隔了一层。地面真值（ground truth）只能由站在现场的人提供。

不需要设备，不需要培训，也不需要另造一个身份。走回家的路上留意哪亮哪不亮，拍下诚实的照片即可。季节性工作向来偏爱那些本来就站在现场的人——而这一次，它顺便还能付你钱。