据媒体报道,上周一北加州部分地区经历了里氏5.8级地震,震源来自内华达州。上周四,又一场7.0级地震引发了一系列余震,震中位置为洪堡县(距离旧金山以北约250英里)并引发海啸警报,好在警报数小时内被快速取消。
这两场自然灾害均未造成人员伤亡,相关损失也微乎其微,但频繁发生的地震仍提醒我们大自然变化无常,必须提前做好准备。在应对自然灾害方面,AI正成为一股意料之外的助力。尽管其中存在一系列已知风险,例如deepfake深度伪造、版权侵权以及幻觉问题,但AI也确实特别适合在极端条件下实施规划与准备,帮助人类从人力难以处理的海量数据当中提取并分析关键模式。
此外,通过分析实时传感器计数、历史天气记录、结构工程数据以及卫星图像等输入,AI模型可以更好地预测危机可能在何时/何地发生。
这种预测能力使得社区、企业和应急响应人员能够集中资源,启动特定保障措施,并抢在事件实际发生之前预先制定出更好的疏散计划。
除了预测之外,AI科技还能够在危机期间做出更细致的决策:机器学习算法可以确定安全的救援路线,评估基础设施遭受的潜在破坏,并优先考虑在最需要的区域内选择发放清洁水、食物及医疗用品的最佳地点。
其中一款名为Zesty.ai的工具,就利用先进的机器学习算法来评估并模拟因灾难性气候事件(从野火到飓风)造成的财产性风险。Zesty.ai整合了卫星图像、建筑记录与地理空间数据,可提供关于住宅及商业建筑脆弱性的精确见解。
这些见解使得业主及保险企业能够先发制人采取措施,通过加固建筑物以抵御风暴、调整保险范围来更好地反映风险,或者在预测到的灾难发生之前重新安置人员与高价值资产。
Preppr.ai公司创始人Justin Snair在军事、政府、公共卫生和应急管理等领域拥有20多年经验。他表示,自己创建这套平台的目的,就是为了满足资金有限的市政当局及负责应急响应的机构提出的现实需求。
他在邮件采访中写道,“我们的主要服务目标包括政府、企业和组织,他们都有义务(无论是出于道德、信托还是法律)为灾难做好准备。这些团体必须保障从地方政府到学校、再到医院的基础设施安全性与运行连续性。”
他解释道,“虽然主要面向专业用户,但Preppr在其他领域也有应用。例如,保险公司可以使用这套平台来完善自身风险建模,而Zillow等平台也可借此整合风险评估能力。随着我们服务的发展,它还可以通过明确的风险评估及实用的规划工具直接为家庭乃至个人提供帮助。”
Snair补充道,AI技术能够使用开源情报、自然语言映射、数据驱动模型及现实场景以简化灾难规划流程,在几分钟之内建立起定制化的灾难应对措施。而且只需借助仪表板上的一系列引导性问题(如下图所示),即可指引用户完成相关操作。
在完成之后,相关灾难响应计划可以保存在云端或者被下载为物理备份。
Preppr公司创始人Justin Snair为加州洪堡县地震创建的演示场景。其中AI可以实现分步细节捕捉、口头互动交流以及归档资料搜索。
该项目的一大独特之处,在于纽约市疫情应对研究所资助之下对Preppr“群体智能”这一筹备功能的独立研究。所谓“群体智能”可以帮助用户通过对话式AI及AI智能体支持系统跨不同社区实时分享见解与策略,从而提高包容性与协作水平。
作为该研究项目的一部分,该工具将面向十个司法管辖区开放,其中的“群体”功能则将由纽约市立大学公共卫生研究生院的Rachael Piltch-Loeb博士负责独立评估。
Snair总结道,“Preppr的使命是确保每个社区、每个组织、每个家庭乃至每一位个人都能做好准备,最终建立起全面互联的生态系统,让大家都能在其中共同学习、准备和成长。”
另一家专注于研发基于AI的灾难应对方案的则是DisasterAWARE,其专门从事数据风险情报方面的工作。这家公司主要帮助政府机构及应急管理人员实现风险数据的可视化和理解,并缓解灾害影响。
DisasterAWARE的独到之处,在于一旦接入客户系统,其AI就会根据地理位置预测组织人员、资产及建筑物可能面临的自然与人为威胁,进而采取先发制人的行动以防范灾害、缓解影响。
其AI方案已经接受了数十年间积累的专有数据及其自有危险警报历史记录的训练。该公司宣称,这已经是企业在商业领域能够获得的最先进的风险与影响情报解决方案之一。
尽管这些智能工具还无法满足所有需求,但我们本来也不应对其抱有不切实际的幻想。毕竟任何灾难准备工作的最终目标,都只是让人们以负责任的方式思考情况并提前做出规划。
AI的好坏取决于其数据、编码、训练、微调及用户。但在目标明确的用户手中,AI还有助于规划灾难管理中的各个阶段,涵盖从早期风险评估及恢复洲规划、到处理事件发生后的直接后果等具体环节。
只要这类举措有助于拯救生命、降低成本并推动灾难恢复工具获得更出色的策略性、数据驱动能力与公平性,那么AI科技就应当、甚至必须成为一切灾难规划工作中的组成部分。
好文章,需要你的鼓励
香港中文大学与华为诺亚方舟实验室合作开发了PreMoe框架,解决了大型混合专家模型(MoE)在内存受限设备上的部署难题。研究团队发现MoE模型中的专家表现出明显的任务专业化特征,据此提出了概率专家精简(PEP)和任务自适应专家检索(TAER)两大核心技术。实验证明,DeepSeek-R1 671B模型在精简50%专家后仍保持97.2%的MATH500准确率,内存需求降至688GB;而更激进的精简方案(减少87.5%专家)也能保持72.0%的准确率。该方法适用于多种MoE架构,为强大AI系统的广泛部署铺平了道路。
SCIENCEBOARD是一项开创性研究,旨在评估多模态自主智能体在真实科学工作流中的表现。研究团队构建了一个包含169个高质量任务的基准测试,涵盖生物化学、天文学等六个科学领域,并开发了一个真实环境让智能体通过CLI或GUI接口与科学软件交互。实验评估表明,即使是最先进的模型在这些复杂科学任务上的成功率也仅为15%,远低于人类表现,揭示了当前技术的局限性并为未来科学智能体的发展提供了宝贵见解。
帝国理工学院的研究团队开发了AlphaMed,这是首个仅通过极简规则强化学习就能培养医疗推理能力的AI模型,无需依赖传统的思维链示范数据。通过分析数据信息丰富度和难度分布的影响,研究发现高信息量的医疗问答数据是推理能力的关键驱动因素。AlphaMed在六个医疗问答基准上取得了领先成绩,甚至超越了更大的封闭源模型,同时展现出自发的步骤推理能力,为医疗AI发展提供了更加开放、高效的新路径。
Alita是一种新型通用AI代理系统,采用极简设计理念,以"最小预定义,最大自我进化"为原则构建。由普林斯顿大学等多家机构研究团队开发的Alita,只配备一个核心能力和少量通用模块,能自主创建所需工具并重用为模型上下文协议(MCPs)。实验显示,Alita在GAIA基准测试上达到87.27%的通过率,超越包括OpenAI Deep Research在内的复杂系统,证明简约设计可带来卓越性能。