辐射探测领域有一个长期存在却很少被公开讨论的问题：大多数报警都是假的。
港口、机场和边境口岸部署的辐射门式监测仪（Radiation Portal Monitor，RPM），每天触发的报警中，绝大多数并非真正的核材料威胁，而是"干扰性报警"——由天然存在的放射性物质（NORM）引发，比如瓷砖、化肥、猫砂，甚至是刚做完核医学检查的旅客。每一次报警都意味着一次耗时的二次安检，而当干扰性报警占据了报警总量的绝大部分时，整套监测系统的实际可用性会被严重削弱。
这正是人工智能技术近年来被大量引入γ谱仪和核素识别领域的核心驱动力——不是为了取代探测器硬件，而是为了让现有硬件给出更准确的判断。
问题的历史教训：ASP项目的失败
在讨论AI能做什么之前，有必要先了解一段值得警惕的历史。美国曾推动"先进谱仪门"（Advanced Spectroscopic Portal，ASP）项目，目标是用NaI(Tl)闪烁体取代传统塑料闪烁体，凭借更好的能量分辨率来降低干扰性报警率。这个项目最终在2011年被取消——不是因为技术方向错误，而是因为实际部署中持续出现高假阳性率和系统稳定性问题，且其表现并未显著超越成本更低的传统系统。
这段历史提供了一个重要的参照：单纯依靠更好的硬件并不能自动解决误报问题。真正的瓶颈往往在于信号处理和判别算法的能力，而这恰恰是人工智能技术近年来真正产生实质性进展的领域。
AI在核素识别中的实际进展
学术界过去五年在这个方向上的研究密度相当高。卷积神经网络（CNN）目前是主流方法，用于直接从γ能谱中识别核素类型——研究表明，这类网络能够学习能谱的光电峰和康普顿边缘特征，并在低计数、低信噪比条件下依然给出可靠判断，这正是现场探测（相对于实验室条件）最常遇到的挑战场景。
更具实用价值的是一类被称为"可解释AI"的研究方向。早期的深度学习核素识别模型存在一个现实问题：模型给出了判断，但无法说明判断依据，这对需要承担责任的安检人员而言是不可接受的。2025年的相关研究提出了基于类激活图（Class Activation Mapping）的方法，能够可视化展示神经网络在能谱图上"关注"的具体区域，证明了网络的判断逻辑确实基于光电峰等物理特征，而非统计噪声中的偶然规律——这类工作正在让AI核素识别从"黑箱"逐步走向可被专业人员信任的工具。
另一个实际应用案例来自美国太平洋西北国家实验室部署的ERNIE系统（Enhanced Radiological Nuclear Inspection and Evaluation），这是一套基于机器学习的报警分析系统，已在美国本土及多个国际地点投入使用。公开数据显示，该系统在保持甚至提升对真实威胁的探测灵敏度的同时，将干扰性报警率降低了一个数量级。这是目前公开资料中关于AI在辐射安检场景下产生实质效益的最具体证据之一。
现实的局限：屏蔽场景仍是难题
诚实地说，AI核素识别远未达到"解决问题"的程度。多个研究反复指出同一个限制：当待测样品的屏蔽材料、内部构型未知时——这恰恰是核安全场景中最常见也最危险的情况——模型的识别准确率会显著下降。多数公开研究使用的训练数据集要么核素种类有限，要么主要能量峰之间间隔较大、便于区分，而真实场景中混合多种核素、伴随未知屏蔽的复合信号，仍然是当前算法的薄弱环节。
此外，"sim-to-real"（仿真到真实）的域适应问题也是一个持续存在的工程挑战：模型在仿真数据上训练良好，迁移到真实探测器采集的数据上时，往往因探测器响应特性、环境背景差异等因素出现性能衰减，需要专门的域适应技术来弥合这个差距。
这对实际部署意味着什么
对于实际采购和部署核素识别设备的机构而言，这意味着评估AI能力时需要问几个具体问题，而不是被"AI赋能"这类宣传语带过：
训练数据是否覆盖了实际部署场景中可能遇到的屏蔽条件和核素组合？模型的判断逻辑是否可被验证和解释，而非纯黑箱输出？在现场低信噪比条件下，系统的实测表现是否经过独立验证，而非仅在实验室理想条件下测试？
这些问题的答案，决定了AI核素识别功能是真正提升了探测能力，还是仅仅增加了一层难以验证的不透明性。
结语
人工智能正在切实改善辐射探测系统区分真实威胁与无害放射性背景的能力，ERNIE系统的部署数据和持续增长的可解释AI研究都是真实的进展信号。但ASP项目的历史教训提醒我们：硬件或算法层面任何单一维度的提升，都不能简单等同于系统整体可靠性的提升。真正有意义的进步，来自对训练数据覆盖范围、模型可解释性和现场实测表现的持续验证——这也是评估任何标称"AI赋能"的核素识别设备时，应当坚持的标准。