提前71秒發出九寨溝地震警報,中國團隊研發的ICL系統已經第38次成功預警
提前71秒發出九寨溝地震警報,中國團隊研發的ICL系統已經第38次成功預警
2017.08.10 | 電信通訊

有研究指出,人們如果能在地震波到達時提前3秒收到警報,傷亡人數可降低14%;提前10秒獲得警報,傷亡人數可減少39%;提前20秒,傷亡人數可降低63%。

而在前天晚上發生在四川阿壩縣九寨溝的7.0級地震中,王暾團隊研發的ICL地震預警系統,成功提前71秒透過手機及專用終端為成都市發出預警訊息,提前19秒為甘肅隴南市發出預警。而這次預報,其實已經是這套系統第38次成功預警中國的破壞性地震。

地震01.jpg
圖/ 36氪

地震預警系統的關鍵究竟在哪裡?

在了解「地震預警」這個世界性難題的關鍵點之前,我們要先了解什麼是地震預警與地震預報:

「地震預警」則指在地震發生後,利用縱波(P波,主要使地面上下顛簸)比橫波(S波,主要使地面左右顛簸)傳播速度不同而產生的時間差,與時間賽跑,在威力更大的橫波到達預警目標之前對外發出預警。

而「地震預報」則是指的是在地震發生之前,預知地震發生的地點和時間,從而快速將人員提前撤離地震區,關閉次生災害源,將地震災害降低到最低。

因此,作為一種「超級新聞速報」,地震預警對於訊息時效性與準確性的要求是前所未有的,傳統的地震定位與演算法基本不能在預警系統中使用。而這兩個模塊也就成了全球地震監測技術發展過程中的關鍵性技術難題。也正因為如此,地震預警至今仍然是一個世界性難題。

總之,一個完整的地震預警系統至少應該包括即時地震定位、即時震級計算、預警目標區烈度估計以及預警訊息發布等幾個重要功能模塊。而「定位演算法」與「即時震級計算」則是整個預警系統中最重要、最關鍵、也是決定地震預警成敗的兩個主要功能模塊。

沒錯,地震預警,演算法必不可少。

其中,即時震級計算則是整個地震預警系統中最複雜、也是最困難的一部分。由於地震預警對於訊息有著超高的時效性要求,計算預警震級時往往只有震中附近的少數幾個觸發站台、有限時間長度內的訊息可以利用。因此,相關技術人員就必須找到一些非常規的、穩定可靠的即時震級計算方法。

目前,國際上也已發展了實用的即時震級計算方法,這些方法大致可以歸納為三大類:與週期/頻率相關演算法,與幅值相關的演算法,以及與強度相關的演算法。

中國「出品」的ICL地震預警系統

這次在九寨溝7.0級地震中發揮效用的ICL地震預警系統,是由國家「千人計劃」入選者、成都市高新區減災研究所所長王暾及其團隊研發,並與四川阿壩州防震減災局聯合建立一整套體系。

而2008年的汶川地震,就是這個出生在四川省達州市的力學和物理學博士開始研發ICL地震預警系統的契機,其研究所英文名ICL是Institute of Care-life(關愛生命組織)的縮寫,你就應該能明白其蘊含的重要意義。

ICL地震預警系統分為地震監測,預警訊息分析和處理,預警訊息發布,以及預警訊息接收和應用4個環節。大致包含瞭如下幾個部分:地震監測儀器、數據收集與運算中心、發布預警的各種途徑,可接受預警信號的行業/個人終端。

王暾.jpg
成都市高新區減災研究所所長王暾。
圖/ 36 氪

在地震發生時,它能夠利用地震危險區域佈設的高密度台網對震源進行監測,進而透過檢測儀將檢測到的關鍵訊息發送至預警中心畸形分析處理,然後預警中心再透過各種訊息接收終端發布預警訊息給用戶,最終用戶接收訊息並進行避險。

最值得注意的是,該預警系統已經實現了透過智慧手機、廣播電視、微博、地震預警訊息接收服務器等同步即時發布預警訊息,也使得中國成為繼墨西哥、日本後,第三個具有地震預警技術能力的國家。

示意圖.png
圖/ 36氪

目前,中國已建立了覆蓋31個省區,220萬平方公里,覆蓋6.6億人口的地震預警網絡, 主要分佈在南北地震帶、華北地震帶、東南沿海地震帶、新疆西北部。覆蓋了中國地震預警一線區90%的面積。

中國地震預警網.png
圖/ 36氪

幾十秒真的很關鍵

很多人也許會有疑問,只能提前幾秒到幾十秒的地震預警,到底能有多大作用?大家可別小瞧了這短短幾十秒。

筆者今天凌晨在小區裡測試了一下,假設自己在成都第一時間看到這則預警推送,那麼在迅速反應的前提下,1分鐘是可以從2樓透過走樓梯迅速沖到居民樓前的空地上的。

當然,如果你在第一時間看到這則訊息並迅速躲到廁所的反應時間是相對充裕的,經測試為5~7秒左右。這也是為何微博有不少網友在感慨地震預警系統的重要性。

小土豆媽媽.png
圖/ 36氪

此外,也有數據表明,普通建築在遭遇地震時大約可以抵禦地震襲擊約12秒後倒塌。

譬如在汶川地震發生時,四川省地震局位於地震重災區的地震觀測站內,沒有抗震設防的圍牆是在地震波到達10秒後倒塌的。同時,由於人們在遇到突發狀況時不太容易能快速而準確的判斷情況,地震預警系統能夠幫助人們在地震發生時快速判斷,增加逃生成功的可能。

效能.jpg
圖/ 36氪

除此之外,地震預警系統還可以有效避免高鐵,燃氣管道等工程遭受地震後帶來的不利影響。以燃氣管道為例,若能在地震波到達之後短時間內關閉管道,就能有效控制燃氣洩漏的數量而降低火災或者爆炸的風險。

雖然地震預警系統有諸多益處,但是由於地震波由震中向外傳播,導致距離地震震中越近,最先受到影響的重災區,接受地震預警訊息和進行反應的時間極短,很難避免震中地區較大人員傷亡。

而距離震中越遠,受到地震影響較小的地區,則有更多時間接收預警並作出反應。這也使得能否透過改進預警原理機制,減小震中地區的人員傷亡成為未來地震預警的研究方向之一。

自救.png
地震預警很重要,自救手段也很重要。
圖/ 36氪

而我們在最後需要提醒大家的是,無論如何,技術手段只是保障地震預警系統成功運行的一部分,地震預警系統各項功能的發揮還取決於民眾的防震減災素質以及對地震預警系統的熟悉程度。

而這就需要民眾透過各種途徑增加對地震預警系統的了解,並能夠在接收到地震警報訊息時從容選擇最合理的緊急逃生避險措施進行自救(政府開展的宣傳教育很重要),這才能讓預警系統的各項功能得到最大發揮。

本文授權轉載自:36 氪

往下滑看下一篇文章
AI 智慧代理人時代來臨!三大導入階段, AI 落地企業不卡關
AI 智慧代理人時代來臨!三大導入階段, AI 落地企業不卡關

生成式 AI 帶動企業數位轉型浪潮持續升溫,各界不再滿足單一任務型的 AI 應用,而是期盼 AI 能真正成為具備主動決策與多工能力的「智慧代理人」(Agentic AI),在最少人為干預的情況下,自主推進工作流程、完成複雜任務。

但企業導入AI並非一蹴可幾,而是需要對AI有正確認識,並制訂循序漸進的導入流程,才能真正發揮AI功效。在2025台灣人工智慧年會中,cacaFly 聖洋科技技術副總吳振和提出三大導入關鍵階段,深入剖析企業如何從概念驗證(PoC)階段,逐步推進到實際上線(Production),並分享實務經驗與觀察。

延伸閱讀:生成式AI可以怎麼用?cacaFly現身說法,助企業應用GCP服務智慧轉型

解鎖 Agentic AI,企業邁向多任務智慧代理

「很多公司會問,One AI 要做什麼事?但實際上,若要讓 AI 回答公司內部政策或新法條的相關問題,僅靠基礎模型並不足夠。」吳振和指出,要讓 AI 真正成為能「做事」的智慧代理人,前提是它必須理解企業內部的脈絡與知識,並即時掌握外部變動的資訊。

企業必須先釐清內部規範是否與最新法規相符,這意味著系統必須具備持續爬取與解析最新資料的能力。為此,企業必須先截取與整理內容,再建構成專屬的知識庫(Knowledge Base),確保資料品質達到可用標準後,再透過檢索增強生成(Retrieval-Augmented Generation, RAG)技術,使 AI 能夠即時動態查詢並生成符合企業語境的回答。

延伸閱讀:從資料清洗到 RAG,大型語言模型的必需品,做出專屬企業的 AI 知識庫!

吳振和強調,這是一個動態循環的過程:從資料蒐集、品質控管、知識庫建構到生成應用,每一環節都息息相關,任何一處鬆動都會影響最終產出的準確性與可信度。

cacaFly 聖洋科技技術副總吳振和
圖/ cacaFly

破除「一次到位」迷思,從驗證到落地的三大關鍵階段

許多企業對 AI 寄予厚望,因此常將 PoC 視為年度計畫的重點,希望能「一次到位」做出具體成果。但吳振和提醒,若缺乏清楚的系統工程思維,PoC 容易淪為「概念展示」,難以真正走入組織的日常營運。

他將導入 Agentic 系統工程的歷程,分為三個關鍵階段:

1.第一階段:可行性評估(Feasibility Study)
企業必須在投入資源前,先明確界定「最需要被 AI 解決的關鍵問題」是什麼,並進一步設計可量化的驗證指標。這不僅包括評估技術實作的可行性,更要從商業目標出發,釐清導入 AI 的具體使用情境、預期成效與風險邊界,如此才能確保後續模型選型與資料蒐集方向正確對齊業務需求。

2.第二階段:系統設計與驗證(Design & PoC)
在確定導入方向後,必須規劃清楚資料蒐集與整理流程,確保知識庫的內容具備正確性、完整性與時效性。吳振和特別強調,這個階段不能只追求展示效果,而應以「產品化思維」來構築 PoC,使其具備可擴充性、可維護性及安全性,才能為後續上線打下基礎。

3.第三階段:產品化與營運(Production & Operation)
當 PoC 驗證完成後,進入正式上線階段,挑戰也隨之而來。除了需要整合企業內部系統與流程,還必須建立持續監控與維運機制,確保模型表現隨時間演進不會劣化,並能快速回應法規變動或資料更新的需求。吳振和指出,這往往是最容易被低估、但也是最考驗企業組織能力的關鍵環節。

cacaFly 聖洋科技技術副總吳振和
圖/ cacaFly

建立模型優化根基,打造高品質的黃金資料集

吳振和特別強調,要讓 Agentic 系統工程真正發揮效益,企業必須先建立一套高品質的「黃金資料集」(Golden Dataset),作為模型評估與優化根基。他指出,黃金資料集的價值在於能為模型選擇與前測提供客觀依據,讓團隊能針對不同任務挑選最適合的模型,避免導入初期就誤踩方向。

同時,黃金資料集也能協助團隊辨識模型的常見錯誤與脆弱點,進而快速回應「模型飄移」(Model Drift)的風險。吳振和說明,所謂模型飄移,指的是即使模型本身未經改版,效能也可能隨著環境與資料變動而突然下降,導致原本表現良好的模型出現偏差。透過持續比對模型預測與黃金資料集結果,團隊才能即時察覺效能衰退,並進行迭代更新,確保系統長期穩定運作。

從小規模應用起步,漸進擴展至核心業務

吳振和分享,在實際輔導企業導入 AI 的經驗中,最常見的挑戰來自於「期待落差」。許多企業誤認為概念驗證(PoC)階段即可呈現完整的產品原型,然而實際情況顯示,若企業未能建立完善的資料架構與流程基礎設施,即使短期內展現亮眼成效,也難以確保長期營運的穩定性與可持續性。

也因此他建議企業在規劃 AI 導入時,應採取漸進式策略,從小規模應用場景著手,逐步擴展至核心業務領域。企業應將 PoC 定位為整體產品開發生命週期的重要環節,而非獨立的一次性專案。

AI 的導入不僅是一場技術升級,更是企業組織文化與決策流程的轉型工程。唯有從資料治理、流程優化到人才培訓同步布局,才能確保 AI 能在企業內部真正「落地生根」,創造長期商業價值,成為真正的智慧代理人。

登入數位時代會員

開啟專屬自己的主題內容,

每日推播重點文章

閱讀會員專屬文章

請先登入數位時代會員

看更多獨享內容

請先登入數位時代會員

開啟收藏文章功能,

請先登入數位時代會員

開啟訂閱文章分類功能,

請先登入數位時代會員

我還不是會員, 註冊去!
追蹤我們
一次搞懂Vibe Coding
© 2025 Business Next Media Corp. All Rights Reserved. 本網站內容未經允許,不得轉載。
106 台北市大安區光復南路102號9樓