AI极端天气预警：技术之外，治理才是关键

极端天气事件持续冲击着全球各地的社区、政府和企业。AI带来了新的可能性，但光有技术远远不够。AI的价值，不取决于它能预测什么，更取决于它如何被负责任地开发、治理、部署和评估。

衡量AI预警系统是否真的有用

判断AI预警系统好不好，不能只看技术多先进。真正重要的指标包括：准确性、可靠性、预警提前量、可及性、公众实用性，以及是否减少了人员伤亡和环境损害。

准确性尤其关键。一个系统如果预测到了事件发生，却搞错了时间或地点，那反而可能造成大麻烦。Nearing等人（2024）的研究表明，机器学习能显著提升全球洪水预测能力，尤其是在缺乏传统观测数据的流域。Chang等人（2024）则在中国台湾地区实际评估了一套基于深度学习的洪水预警系统，用于短时预报。

预警提前量要和准确性放在一起看。信息提前给出，人们才有时间撤离、调配资源、准备基础设施。但如果信息本身不准、看不懂、送不到目标人群手里，那么提前再多时间也没意义。

公众有没有真正用起来，是另一个重要维度。收不到、看不懂、不信任、不行动，预警系统等于白做。Kox等人（2025）的研究指出，AI支持的天气预警带来的不仅是技术问题，还有信任、问责、可解释性和专业判断的问题。

所以，评估AI不能只看模型表现，还要看它是否促成了更好的决策、更充分的准备、更少的伤亡、更广的覆盖，以及更强的恢复能力。

从技术研发到实际落地

开发出能用的技术，和让技术在组织里真正跑起来，是两码事。研究环境里的模型性能再好，一旦部署到现实场景，遇到的变量完全不同。

落地需要考虑地理、气候、基础设施、预算、人员编制、培训、法律要求、公众接受度、机构能力。一个地区适用的AI系统，换个地方可能完全失灵。国际转移时，这种差异更突出。

所以说，技术管理和技术开发同样重要。机构需要既懂AI能力又懂AI局限的专业人才。气象学家和应急管理人员应当继续在解读信息、做出安全关键决策中扮演核心角色。AI可以增强人的判断，但如果过度依赖自动化输出，反而会带来新风险。Kox等人（2025）特别提到了“自动化偏见”和人类监督弱化的问题。

Tiggeloven等人（2025）把预警系统看作一个更大的系统，而不仅是单一预测技术。有效的系统包含风险知识、检测预报、信息传达、应急准备和响应能力。这意味着，即使底层技术工作正常，只要实施、协调、治理、基础设施或沟通不到位，创新照样会失败。

创新要有合理的节奏

极端天气的紧迫感会让人想尽快用上更强的技术。但快速采用不能以牺牲负责任评估为代价。

用于公共安全领域的AI系统，在组织重度依赖之前，必须经过充分测试。政策制定应当与技术发展同步推进，明确谁对系统性能负责、信息如何验证、系统失败时怎么办、个人和社区如何得到保护。

这也不是说要无谓地拖延创新。合理节奏的意思是，让组织在持续改进技术的同时有时间评估它。试点项目、性能监控、专业监督、独立评估、责任清晰，这些都能帮助组织在大规模推广前发现问题。

Zhou等人（2025）指出，气象界对AI治理还处于起步阶段，标准和监管手段有待完善。技术跑得比政策快是常态，所以创新和治理必须平行推进，不能等技术已经全面铺开再补监管。

AI的可持续性悖论

AI预警系统常被当作提升社会韧性的工具，但AI基础设施本身要消耗环境资源，这构成了一个悖论。

大规模AI系统需要计算基础设施、电力、冷却和水。Xiao等人（2025）研究了美国AI服务器的环境足迹，发现未来扩张可能带来巨大的能源、水和碳排放影响。影响不是固定的，数据中心选址、能效、用水、电网结构都会改变总足迹。

如果AI的一部分使命是帮助社会适应气候威胁，那AI开发和运行的环境成本也应该被纳入决策考量。

问题不是“要不要因为耗能而放弃AI”，而是如何让AI基础设施在最大化社会效益的同时减少不必要的环境代价。可持续数据中心实践、高效计算、负责任的基础设施规划、清洁能源体系，这些都应当进入技术管理战略。

环境足迹应该被列入AI预警系统的评估指标。衡量技术成功，既要看它产生了多少好处，也要看为了这些好处消耗了多少资源。

隐私、伦理与责任

AI治理还牵扯到隐私和伦理数据实践。天气预警可能需要大规模数据集、地理信息、通信系统，甚至和个人或社区相关的信息。组织必须明确：收集什么数据、为什么需要、如何保护、谁能访问。

Reichstein等人（2025）强调，公平、问责、透明、伦理和可持续，是开发集成式AI气候风险预警时的重要考量。这些原则说明，单靠技术性能无法判断一个AI系统是否被负责任地设计。

当AI参与影响公共安全的决策时，问责尤其重要。技术开发方、政府机构、气象学家、应急管理人员和其他利益相关者，必须共同承担责任，不能出了问题就找不到人。

人类监督不能被替代。AI能处理个人难以企及的海量数据，但专业经验能提供自动化系统缺乏的情境判断。负责任的治理，是让人类专业知识和机器能力形成恰当配合，而不是让一方取代另一方。

全球创新，但不能一刀切

极端天气风险是全球性的，国际协作必不可少。各国分享研究成果、技术路径、实施经验和教训，能带来显著收益。

Nearing等人（2024）证明了面向全球的AI预报的价值，尤其是在传统水文观测有限的地区。这类研究说明，AI有望缩小监测基础设施发达地区和匮乏地区之间的信息差距。

但全球知识共享不等于每个地方都用相同的方案。不同国家在气候、地理、经济资源、基础设施、法律、技术能力、文化和公共需求上差异巨大。一个地方成功的方法可以作为参考，但在大规模采用前必须测试和调整。

所以，国际协作应当把知识共享和因地制宜结合起来。技术先进的国家能贡献研究和专业能力，而资源较少或灾害频发的地区，也能提供关于实际需求、社区韧性和实施挑战的重要经验。这样既能推动全球创新，又不会假设技术方案可以原封不动地到处套用。

公平和可及性必须融入创新

预警系统的最终目的是帮人保护自己。如果风险最大的人群用不上技术提供的信息，那技术进步的价值就非常有限。

社区之间的互联网接入、技术资源、语言、读写能力、无障碍设施、交通、基础设施、经济能力差别很大。AI预警系统应该被设计成更广泛传播生态的一部分，而不是只依赖单一数字渠道。

数字警报可以配合电视、广播、社区通信系统、地理信息系统等方式，根据当地条件灵活组合。目标应该是让技术创新扩大覆盖面，而不是无意中制造新的障碍。

公平也要体现在研究过程中。脆弱和历史上被忽视的社区应当从技术发展中受益，而不是被当成实验对象。伦理研究要求透明、有意义的安全保障、尊重社区，以及认真考虑技术风险和收益如何分配。

经济条件好的人当然也应该享受更好的预警技术。但更大的目标是让所有人都得到保护，同时特别确保资源较少的群体不会被排除在能救命的科技进步之外。

还需要哪些研究

现有文献证明已经有很大进展，但重要问题依然存在。

第一个空白是AI基础设施扩张的总体环境足迹。要弄懂能源消耗、水耗、计算设施和地区条件如何影响AI应用的长期可持续性，还需要更多研究。Xiao等人（2025）提供了重要基础，但随基础设施扩张，评估必须持续。

第二个空白是技术改进是否真的转化为更好的现实结果。AI预警是否提高了准确性、提供了可用提前量、减少了伤亡和其他损害，这些都需要持续追踪。

公众感知也值得更多关注。技术准确不意味着人们觉得有用。未来可以研究人们是否注意AI预警、是否理解信息、是否信任系统、是否在决策中使用它。

隐私和治理同样需要继续探索。AI系统进入公共基础设施后，数据实践是否透明、合法、不过度、保护个人自主权，都需要持续评估。

这些空缺说明，AI预警系统应当被当作完整的社会技术系统来评估，而不是孤立的预测模型。

未来的研究方向

未来研究应该更重视技术性能和公众实用性之间的关系。一个重要问题是：在真实情境里，人们到底觉得AI极端天气预警工具不工具？

这可以考察人们是否收到并留意警报、警报是否准确描述预期情况、地理信息是否帮助理解、信息是否提供足够时间做防护决定。研究可以把技术性能指标和问卷调查、访谈、公众反馈、灾害结果数据结合起来，形成更全面的效果图景。

另一个方向是国际经验分享。不同国家共享AI预警系统的结果、实施经验、技术策略和教训，能更快识别好的做法，也能暴露哪些策略会失效或需要调整。

目标不是建立统一模型，而是让国际证据成为各国和地区根据自身气候、基础设施、人口、法律、资源和机构能力进行调整的基础。

这种研究把技术创新和技术管理直接连起来，问的不只是“AI能不能预测灾害”，而是“组织能不能把它实施到人们真正能用、相信的程度”。

构建负责任的AI生态系统

AI极端天气预警的未来，不能只看算法有多高级。这些系统存在于一个更大的生态系统里，包括技术、人、组织、政策、基础设施、自然资源和环境。

研究表明AI潜力巨大：机器学习可以扩展数据匮乏地区和水文监测盲区的预报能力（Nearing et al., 2024），深度学习可以用于实际洪水预警（Chang et al., 2024）。同时，研究者也指出了人类监督、治理、可解释性、可及性、问责、可持续性和负责任实施方面的挑战（Kox et al., 2025; Reichstein et al., 2025; Tiggeloven et al., 2025）。

长期目标应该是构建一个准确、可靠、可持续、合乎伦理、可及且治理得当的AI生态系统。技术进步很有价值，但它必须服务于保护人和环境、增强韧性，而不是成为目的本身。

AI有巨大潜力帮助人类更好地预测和应对极端天气。要兑现这个潜力，需要持续研究、负责任的政策、国际合作、人类专业判断、环境问责，以及对可能被落下的社区给予刻意关注。

未来问题不单是AI能变得多聪明，而是人类能不能负责任地使用这种聪明。

参考文献

Chang, K.-H., Chiu, Y.-T., Su, W.-R., Yu, Y.-C., & Chang, C.-H. (2024). A spatial–temporal deep learning-based warning system against flooding hazards with an empirical study in Taiwan. International Journal of Disaster Risk Reduction, 102, 104263. https://doi.org/10.1016/j.ijdrr.2024.104263

Kox, T., Harrison, S., Ziegler, F., & Gerhold, L. (2025). Perceptions, hopes, and concerns regarding the possibilities of artificial intelligence in weather warning contexts. International Journal of Disaster Risk Reduction, 130, 105817. https://doi.org/10.1016/j.ijdrr.2025.105817

Nearing, G., Cohen, D., Dube, V., Gauch, M., Gilon, O., Harrigan, S., Hassidim, A., Klotz, D., Kratzert, F., Metzger, A., Nevo, S., Pappenberger, F., Prudhomme, C., Shalev, G., Shenzis, S., Tekalign, T. Y., Weitzner, D., & Matias, Y. (2024). Global prediction of extreme floods in ungauged watersheds. Nature, 627, 559–563. https://doi.org/10.1038/s41586-024-07145-1

Reichstein, M., Benson, V., Blunk, J., Camps-Valls, G., Creutzig, F., Fearnley, C. J., Han, B., Kornhuber, K., Rahaman, N., Schölkopf, B., Tárraga, J. M., Vinuesa, R., Dall, K., Denzler, J., Frank, D., Martini, G., Nganga, N., Maddix, D. C., & Weldemariam, K. (2025). Early warning of complex climate risk with integrated artificial intelligence. Nature Communications, 16, 2564. https://doi.org/10.1038/s41467-025-57640-w

Tiggeloven, T., Pfeiffer, S., Matanó, A., van den Homberg, M. J. C., Thalheimer, L., Reichstein, M., & Torresan, S. (2025). The role of artificial intelligence for early warning systems: Status, applicability, guardrails, and ways forward. iScience, 28(11), 113689. https://doi.org/10.1016/j.isci.2025.113689

Xiao, T., Fuso Nerini, F., Matthews, H. D., Tavoni, M., & You, F. (2025). Environmental impact and net-zero pathways for sustainable artificial intelligence servers in the USA. Nature Sustainability, 8, 1541–1553. https://doi.org/10.1038/s41893-025-01681-y

Zhou, K., Dai, K., Zeng, Q., & Na, X. (2025). Current status of artificial intelligence governance and its challenges in the meteorological community. Acta Meteorologica Sinica, 83(1), 168–177. https://doi.org/10.11676/qxxb2025.20240024