AI风险分数低，就可以放心购买吗？

“风险分数 12”看上去很精确，但它究竟表示什么？如果系统没有说明训练样本、适用款式和缺失照片，这个数字很难指导购买。对二手精品来说，风险分数更适合作为复核队列的提示，而不是保真承诺。

假设一只包有完整正面照，却没有内里和五金背面的照片。模型可能在可见部分没有发现异常，因此给出较低风险；也可能因为信息缺失而提高风险。两种计算方式都可能合理，关键是系统必须把“未观察到异常”和“还没有观察到关键部位”分开。消费者最需要知道的不是分数漂亮不漂亮，而是下一步该核对什么。

分数容易受样本影响

热门型号拥有更多历史样本，冷门款和早期版本则可能样本稀少。对后者，模型的误差通常更难评估。修复过的商品还会产生混合信号：包身结构符合历史资料，替换五金却与原版不同。单一分数会掩盖这种局部冲突，逐项列明风险原因才有讨论空间。

异常发现还有“逆向适应”的问题。仿制者会优先改进最容易被检测的明显细节。若系统长期依赖一个 Logo 或刻字特征，仿制品就可能专门模仿它。多部位比对、持续更新样本和人工随机复核，能减少对单一信号的依赖，但不会消除所有未知风险。

商品档案应保存每次判断的输入版本。某次评估基于哪些图片、哪一版知识库、有没有后续实物检查，未来发生争议时都重要。若卖家更换了照片或披露新的维修记录，旧分数也需要重新解释。一个不随证据更新的固定标签，很容易过期。

不同用途对应不同的风险阈值。平台初筛要尽量发现可疑件，可以容忍更多误报；买家临近付款时，则需要知道未解决的疑点是否影响交易。把同一个分数用于所有场景，容易造成误解。系统应说明它服务于“优先复核”还是“完成检查后的记录”，两者责任完全不同。

风险低也不代表商品状态好。一只真实的旧包可能有严重结构疲劳，甚至不适合继续承重。真伪、成色和来源是相互关联却不同的问题，界面应分别呈现。消费者需要的是一份能支持选择的资料，而不是一个替他取消思考的数字。

因此，看到 AI 辅助结论时，可以问三个具体问题：它看到了哪些部位？它把哪些地方列为异常或缺证？谁对复杂结果做了人工复核？如果这些问题没有答案，分数再好看，也不该成为购买的唯一依据。