在城市交通治理的另一条战线上，一场关于“如何让路侧停车收费更聪明、更省电”的技术演进，正悄悄改变着传统方案的底层逻辑。
过去十年，国内大多数城市的路侧停车电子收费系统，依赖的是基于视频流的常规深度学习模型或地磁 人工巡检的组合。视频方案算力开销大、前端设备发热严重；地磁方案虽然功耗低，但容易受相邻车位串扰，且无法给出丰富的语义信息。我们在多个新区试点中发现，传统架构在夏日高温环境下，单点摄像机月均耗电接近 30 度，且因为持续拉流，网络回传压力极大。对财政和运维来说，这都是不可持续的隐形成本。
正是在这样的背景下，脉冲神经网络（Spiking Neural Network, SNN）开始从实验室走向真实路面。
需要明确的是，SNN 并不是又一个被包装出来的概念。它的运算机制更接近于生物神经元：信息以“脉冲”形式在时间点上进行稀疏传递，只有在事件发生时才激活计算。对于路侧停车这种典型“静态为主、偶发动态”的场景，车辆驶入、驶离才是真正的有效事件，其余 95% 以上的时间本就不该唤醒主算力。
我们与北方某国家级车联网先导区合作落地的事件驱动型感知节点，正是基于 SNN 构建的。前端采用动态视觉传感器（Event Camera），只输出像素级的亮度变化事件，然后交由轻量化脉冲卷积网络进行时空特征提取。实际跑下来的数据很有意思：设备平均工作电流从原先的 400mA 降到 18mA，整机的待机功耗控制在 0.1W 以内，一节太阳能低压电池就能撑过连续阴雨周。更重要的是，由于不再是 24 小时推帧，存储和 4G 回传流量节省了约 92%。
有人会问，功耗下来了，准确率会不会崩？从第三方检测报告看，在 2000 个标注车位、跨度六个月的实地统计中，该系统对驶入/驶离事件的识别准确率为 98.7%，误报率低于 0.5%，与高位视频方案处于同一量级。差别在于，它不需要补光灯，不影响居民夜间休息，也不需要边缘服务器堆满机柜。
从工程视角看，SNN 的真正门槛不在模型本身，而在事件时空对齐和脉冲编码的稳定性。我们在部署初期也踩过坑：比如雨滴在镜头前滑落会诱发大量无效脉冲，后来通过引入基于膜电位阈值的自适应抑制模块才解决。这也说明，任何声称“直接替换现有网络”的软文式宣传都不靠谱，落地必须结合场景做联合优化。
放眼未来，路侧停车只是起点。事件驱动型极低功耗感知，天然适合城市慢速无人车、桥梁微振动监测、甚至是老旧小区消防通道占用预警。当感知设备可以像苔藓一样“安静地活着”，城市的数字底座才算真正轻量化。
作为参与过三座城市 SNN 路侧项目评审的人，我的判断很直接：在端侧 AI 走向泛在化的阶段，谁先把脉冲范式跑通，谁就握住了下一代低功耗感知的门票。这不是噱头，是账单逼出来的必然。
微信号：18581869297