2025年7月，德克萨斯州经历了有史以来最严重的洪灾之一。这场灾难夺走了145多人的生命，造成了数十亿美元的损失。尽管人们普遍相信人工智能(AI)能够预测和管理此类事件，但许多社区仍对快速上涨的水位措手不及。
多年来，AI一直被宣传为预测极端天气的重要解决方案。政府和专家们依赖它来改进早期预警系统。然而在这场危机中，这项技术并未达到预期效果。这一事件表明，虽然AI带来诸多好处，但它也存在局限性。必须清楚地认识和解决这些局限，才能在未来的气候相关紧急情况下提高公共安全。
2025年德克萨斯州洪灾：警钟长鸣
2025年7月4日，德克萨斯州中部遭遇了美国近期历史上最致命的内陆洪灾之一。作为”闪电洪水走廊”的一部分，该地区已经连续多日遭遇强降雨。但在这一天，情况迅速恶化。短短几小时内，瓜达卢佩河在一些地区的水位从不到3英尺急剧上涨到超过34英尺。洪水冲垮河岸，卷走了房屋、车辆和生命。
这场灾难由罕见的天气条件组合引起——热带风暴巴里残余带来的湿气与穿越该地区的其他风暴系统相结合。该地区因干旱而硬化的土壤无法吸收突然的暴雨。结果，一些地方在三小时内降雨量超过10英寸。当地很少有人见过如此强度的降雨。
克尔维尔等社区受灾最为严重。至少有135人死亡，其中包括位于河边的夏令营Mystic Camp的37名儿童和工作人员。整个社区被淹没，许多企业受损或被毁。道路、桥梁和关键基础设施倒塌。专家估计总损失在180亿至220亿美元之间，使其成为该地区历史上损失最惨重的自然灾害之一。
应急服务不堪重负。美国国家气象局在前一天发布了超过22次警报和洪水预警。但水位上涨太快。在一些地区，不同模型的预测结果相互矛盾，导致混乱并延误了一些疏散决策。在几个城镇，紧急警报器失灵。许多人没有及时得到充分警告。电力故障和移动网络问题也使救援人员难以到达现场或共享信息。
危机期间，X(原Twitter)等平台成为更新的关键来源。人们发布视频并寻求帮助。志愿者利用这些信息组织救援工作。然而许多帖子未经核实，导致混乱并有时传播错误信息。
2025年的洪灾突显了该州灾害应对系统的重大缺陷。预测工具跟不上风暴的速度；沟通失败和缺乏协调进一步加剧了损失。这场悲剧凸显了需要改进早期预警系统、加强规划和建设更可靠的基础设施，以保护未来易受灾害影响的社区。
为何AI未能准确预测德克萨斯州洪灾
2025年7月德克萨斯州的洪灾表明，AI系统远非完美。这些系统未能提供清晰和早期的预警。许多技术和人为问题同时出现，包括数据缺失、模型薄弱、沟通不畅以及应急团队对AI的使用有限。这些问题讨论如下：
数据薄弱和信息缺失
准确及时的数据对于AI有效预测洪水至关重要。在2025年7月的德克萨斯州洪灾期间，德克萨斯州中部的许多小流域缺乏足够的传感器。在一些地方，由于极端条件，流量计失灵或达到最大值。这使得在最关键的时刻难以收集可靠数据。
NASA的SMAP卫星提供了有用的土壤湿度数据，但其分辨率在9至36公里之间，对于局部洪水预测来说过于粗糙。早些时候，SMAP有一个雷达传感器，提供1至3公里的更高分辨率。它在2015年停止工作。现在只使用辐射计，无法检测快速、小范围的变化。这在德克萨斯州中部等地是一个重大缺口，那里的山洪暴发可能在一公里内就有变化。没有细粒度的数据，AI工具难以提供准确和早期的洪水预警。
天气雷达系统在德克萨斯州洪灾期间也遇到困难。山区暴雨导致信号丢失和散射，降低了降雨读数的准确性。这造成了盲点，影响了传统和基于AI的洪水预报。
像Google Flood Hub这样的平台结合了卫星图像、雷达数据、传感器输入和过去的洪水记录。但没有来自流量计和传感器的实时本地数据，这些系统会失去准确性。在2025年洪灾期间，许多数据源没有完全连接。卫星、雷达和地面传感器数据通常分开处理，导致延误和协调不力。这限制了AI实时跟踪洪水的能力。
AI工具需要快速、完整和良好集成的数据。在这种情况下，缺失和不同步的输入使得AI难以预测洪水将如何发展。
AI模型未准备好应对极端降雨
2025年7月德克萨斯州的洪灾暴露了传统和基于AI的预报系统的重大缺陷。在德克萨斯州中部部分地区，三小时内降雨量超过10英寸。在高峰期，降雨量达到每小时4英寸。气象学家将其描述为500年一遇的洪水，即在任何一年发生的概率为0.2%的事件。
大多数用于天气和洪水预测的AI模型都是在过去数据上训练的。当天气遵循已知模式时，它们工作良好。但在极端或罕见事件中，它们经常失败。这些被称为”分布外事件”。德克萨斯州洪灾就是这样一个事件。模型以前从未见过类似情况，因此它们的预测不准确或延迟。
其他问题使情况恶化。该地区曾遭遇干旱，干燥的土壤无法快速吸收水分。丘陵地形增加了径流。河流迅速上涨并溢出。基于物理的模型可以模拟这种复杂情况。但许多AI模型不能。它们缺乏物理推理能力，有时会产生看似正确但不现实的结果。
沟通和警报系统运作不佳
只有当AI预测被清晰及时地传递时才有帮助。在德克萨斯州，这没有实现。美国国家气象局(NWS)使用了高分辨率快速刷新(HRRR)等模型，在洪水发生前48小时预测了强降雨。但警告不够明确。AI输出显示网格和概率。地方官员需要简单的警报。将复杂数据转化为清晰警告仍然是一个技术挑战。
紧急警报也失败了。基于电话的CodeRED系统需要手动激活。在一些县，这被延迟了2到3小时。过时的软件和与AI工具的弱集成导致了问题。AI模型在云系统上运行，但地方机构使用较旧的数据库。这些无法处理实时数据。在某些情况下，数据共享延迟超过30分钟。
一些私人模型表现更好。例如，WindBorne使用高空气球收集数据。其模型比NWS工具提供了更好的局部降雨预报。然而，NWS未能及时使用它们。外部模型需要数周验证。也没有用于快速数据共享的标准API。WindBorne的数据格式与NWS系统不匹配。因此即使在紧急情况下，准确的预报也未被使用。
人为因素使情况恶化
人为因素带来了更多技术问题。应急管理人员被数据淹没。AI模型生成了各种输出，包括降雨地图和洪水风险等级。这些来自不同来源，如Google Flood Hub和NWS。有时预测不一致。一个系统显示60%的洪水风险，而另一个显示80%；这种混乱延误了官员的决策。
培训也是一个问题。许多地方团队对AI经验不足。他们无法理解复杂的模型输出。深度学习系统(如Flood Hub)是可用的，但没有证据表明当地应急团队在危机期间积极使用或理解它们。可解释AI工具(如SHAP)本可以更有效地帮助管理情况，这些工具增强了可解释性。
此外，应急人员面临信息过载。他们必须处理AI生成的预报、雷达图像和公共警报。这些数据的数量和矛盾性导致了响应延迟并增加了混乱。
经验教训与AI在灾害管理中的未来
2025年7月德克萨斯州中部的洪灾展示了AI在紧急情况下的潜力，同时也暴露了重大弱点。虽然AI系统提供了早期预警和预报，但在最关键的时刻它们经常失效。为了更好地为未来的灾难做准备，我们必须从这一事件中吸取教训。关键教训与数据质量、模型设计、沟通缺口、气候适应和协作有关。
薄弱的数据基础限制AI准确性
AI系统依赖实时、高质量的数据。在克尔维尔等农村地区，流量计很少。这留下了巨大的盲区。结果，预测未能捕捉到局部洪水模式。卫星数据有帮助，但缺乏细节。例如，NASA的SMAP传感器覆盖大面积但分辨率低。需要本地地面传感器来完善这些数据。
一个解决方案是在高风险地区扩展传感器网络。另一个是让当地社区参与。在印度阿萨姆邦，地方机构部署了基于移动的天气站，并试点公民报告工具，以改善洪水易发地区的覆盖范围。德克萨斯州的类似系统可以让学校和当地团体报告洪水迹象。
AI模型需要现实世界推理
当前大多数AI模型从模式中学习，而非物理原理。它们可以预测降雨，但难以准确模拟实际的洪水行为。深度学习系统经常无法捕捉河流上涨和溢出的方式。在德克萨斯州洪灾期间，一些模型低估了水位上涨。这延误了关键决策。
混合模型是更好的选择。这些将AI与基于物理的系统相结合，以提高真实性和可信度。例如，Google的洪水预报计划使用混合方法，将基于机器学习的水文模型与基于物理模拟的淹没模型相结合。该系统已在100多个国家展示了河流洪水预测的准确性和提前期可靠性的改进。
沟通缺口使情况恶化
在洪灾期间，AI系统产生了有用的预报。然而信息没有及时传达给正确的人。许多应急团队已经承受压力。他们从不同系统接收警报。一些信息令人困惑甚至相互矛盾。这导致行动延迟。
一个主要问题是信息共享方式。一些应急人员没有接受过理解AI输出的培训。在许多情况下，工具是可用的，但地方团队缺乏有效使用它们的适当知识。
显然需要更好的沟通工具。警报必须清晰、简洁且易于响应。日本使用包含疏散指令的简短洪水信息。这些警报有助于缩短响应时间。类似的系统对德克萨斯州可能有帮助。
还必须通过熟悉的平台呈现AI预报。例如，在Google地图上显示洪水警告可以帮助更多人理解风险。这种方法可以在紧急情况下支持更快、更安全的决策。
气候极端事件正在打破旧模型
2025年的降雨打破了许多记录。大多数AI系统没有预料到如此强烈的天气。这是因为模型是在过去数据上训练的。然而，过去的模式已不再与今天的气候一致。
为了保持有用，AI必须更频繁地更新。训练应包括新的气候情景和罕见事件。IPCC等全球数据集可以提供帮助。还应测试模型处理极端情况的能力，以验证其应对未来冲击的能力。
协作仍然是一个挑战
许多组织在危机期间拥有有用的工具。然而它们没有有效协作。重要数据没有及时共享。例如，WindBorne收集了可以改进洪水预报的高空气球数据。但由于技术问题和法律限制，这些信息被延迟。
这些缺口限制了先进系统的全部效益。公共和私人组织经常使用单独的模型。它们之间没有实时连接。这使得更难构建清晰完整的情况图景。
为了改进这一点，我们需要通用的数据标准。系统应该能够快速安全地共享信息。不同模型之间的实时协调也很重要。此外，收集当地社区的反馈可以使系统更准确有效。
技术进步但需要支持
新技术可以改进洪水管理。但它们需要适当的基础设施和政策支持。一个有前景的方法是物理信息AI。这将科学知识与机器学习相结合，以改进洪水预测。MIT等研究小组已测试这种方法，使预报更准确和现实。然而详细结果尚未公开。
无人机和边缘设备等其他工具也有帮助。它们可以实时收集数据，即使在地面系统损坏或缺失的地区。在荷兰，简单的公共仪表板使用清晰的视觉效果显示洪水风险。这帮助人们理解情况并快速采取行动。
这些例子表明，先进工具也必须用户友好。它们应与公共系统连接，以便专家和社区都能从中受益。
关键结论
洪水预测不再只是关于天气图和警告。它现在涉及AI系统、卫星数据、当地报告和快速通信工具。然而，真正的挑战不仅是构建更智能的工具——还要确保地面上的人们有效使用它们。
2025年德克萨斯州洪灾展示了延迟、协调不力和不明确的警报如何抵消先进技术的好处。为了改进，我们需要明确的政策、共享的系统和地方团队能够快速理解和行动的工具。
日本和荷兰等国家表明，将智能预报与便捷的公共访问相结合是可能的。AI不仅应该预测洪水，还必须帮助防止损失和拯救生命。洪水管理的未来取决于将创新与行动、技术与信任、智能与地方准备相结合。这种平衡将决定我们如何适应日益增长的气候风险。
原创文章，作者：王 浩然，如若转载，请注明出处：https://www.dian8dian.com/2025-nian-de-ke-sa-si-zhou-hong-zai-zhong-ai-de-shi-bai-zai
