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 NAS 何時才值得部署?QNAP 拆解地端 AI 的成本、算力與資料門檻
AI NAS 何時才值得部署?QNAP 拆解地端 AI 的成本、算力與資料門檻

當資料不能離開企業,運算就得靠近:AI 先改寫儲存架構

AI 帶來的第一個變化,不只是運算能力提高,而是企業必須重新決定資料放在哪裡。

儲存架構大致分為雲端與地端兩塊,QNAP 身為資料安全的守護者,長期發展的是地端網路儲存設備(NAS),並擴展至 25GbE、100GbE 高速網路交換器產品線,提供完整的儲存與高速網路基礎架構。威聯通科技(QNAP)總經理劉文義解釋,當資料因合規要求或敏感度不能上雲,就必須留在靠近使用者與應用的地方;運算需求一旦增加,承接資料的裝置也自然被推向地端 AI。

不能上雲的名單比想像中長。醫療業持有大量醫療個資,金融與保險業受到合規與法規限制,部分大學院校與設計公司也不希望資料被雲端存取。對這些組織而言,問題並不是雲端好不好用,而是一開始就沒有把核心資料全面上雲的選項。

qnap2.jpg
威聯通科技(QNAP)總經理暨威強電集團(IEI)董事長 劉文義
圖/ 數位時代

真正讓更多企業回頭計算的,則是長期成本。劉文義指出,資料上傳雲端可能免費,下載卻會按流量收費;當企業把一年、兩年、三年的費用加總回推,可能會發現,購買一台同等容量的 NAS,還能使用 7-10 年。資料規模愈大、存取愈頻繁,總持有成本的差距就愈值得評估。

這並不代表雲端與地端只能二選一。雲端仍適合模型訓練、程式開發與波動大的工作負載;地端則較適合高頻存取、對延遲敏感,或不能離開企業邊界的資料。企業真正要回答的,是每一類資料與任務應該放在哪裡。

依 QNAP 觀察,客戶過去關心的是需要幾 TB、幾 PB,或備份速度有多快;現在更常問的是,機器裡的資料要如何被 AI 活用。QNAP 也從 2021 年起,把公司發展定調在 AI 與高速網路的融合,試圖讓 NAS 從資料保存的位置,進一步成為資料被調用的位置。

當資料量持續擴大,搜尋與管理方式也會跟著改變。「在 NAS 裡放入 AI Agent 會越來越不可或缺。」劉文義舉例,當照片累積到 10 萬、20 萬張,要找出其中幾張特定畫面,已不可能只靠人工翻找。此時,能理解內容、接受自然語言指令的 AI 工具,會從加分功能逐漸變成必要條件。

從資料治理到地端推論:AI NAS 如何進入企業工作流?

AI NAS 不是「多了 AI 功能的 NAS」,而是 NAS 在企業工作流裡換了位置。 依 QNAP 觀察,目前客戶大致分布在一條導入光譜上。人數最多的一群,仍在把資料集中、分類、清理與建立權限。這一步看似與 AI 無關,卻決定後續系統能不能找到正確資料、辨識版本,並把答案交給有權限的人。

中間一群開始建置私有的檢索增強生成(RAG)知識庫。RAG 並不是重新訓練一個模型,而是在模型回答前,先從企業的 SOP、合約、法規或技術文件中取回相關內容,再產生附有來源依據的答案。QNAP 以 Qsirch 的語意搜尋能力協助建構這類應用,協助企業建立私有知識庫;而走在最前面的少數企業,則已經嘗試地端推論與 AI Agent。

模型的選擇權,QNAP 刻意留給客戶。知識庫背後採用哪一個模型,可由企業依需求決定,不綁定單一 AI 供應商。QNAP 也以 QuAgent AI 助理與模型情境協定(MCP)相關能力,讓管理者透過自然語言查詢狀態、調整設定,並讓 NAS 成為 AI Agent 可調用的資料節點。

不過,劉文義沒有把這條路說得太容易。他坦言,目前 NAS 硬體的 AI 運算能力仍有限。一般企業期待的應用,可能需要約 300 到 800 TOPS,甚至 1,000 TOPS,因此多數方案會以 NVIDIA 顯示卡補足算力;一張卡約需新台幣 10 萬至 12 萬元,一張算不完,就得配置 2 張或 4 張。

「整體成本可能是過去單獨一台 NAS 的 5 倍到 10 倍,並不是大部分中小企業都能接受。」除了硬體,使用者還需要 AI 應用的 Know-how、程式背景與開發資源,這些都是落地成本。

QNAP 則是透過算力分級讓各規模與需求的企業都可以有適合的解決方案。在 Computex 2026 搶先亮相的 QNAP AI NAS 中,一類是採用含有 iGPU 與專屬 NPU 的處理器平台,以一百多 TOPS 的範圍,可順暢使用 AI 應用程式;另一類機種則可安裝 1 張或 2 張 NVIDIA 顯示卡,處理更大的運算量。

同時 QNAP 也在軟體端也持續開發,目標是讓 NAS 裡的資料更有效率地被 AI 工具調用,讓資料成為有價值的知識。

從規格走到現場:能源公司如何導入私有 LLM?

本地 AI 實際落地部署會是什麼模樣?劉文義舉了一家約 50 多人的能源公司為例。這家公司原本想用 NAS 搭配雲端 AI 建置內部資料庫,但很快遇到兩個瓶頸:一是員工查詢時明顯出現卡頓;二是專利、技術與合約都高度敏感,高層不願上傳至公有雲,擔心機密資料會有外洩的疑慮。

後來,該公司導入 QNAP AI NAS 的旗艦機種 QAI-h1290FX,搭配顯示卡與全快閃 SSD,在地端部署私有大型語言模型,把數十年來封存的靜態檔案交給 AI 調用,進行跨檔案摘要與精準搜尋。員工因此省下翻找合約與報告的時間,核心機密也能留在企業內部。

這個案例說明,若任務範圍明確,有些應用不必動用雲端大型模型,地端運算量就可能足以支應。

但不同企業的資料量、查詢方式與模型大小不同,導入前仍需要概念驗證(POC)與技術人員評估。

而且,資料留在地端並不等於自動安全。企業仍要處理帳號權限、網路隔離、備份復原、漏洞修補與日常維運。地端的價值,是讓資料邊界與控制權回到企業手上;相對地,安全責任也會更直接地回到企業。

哪些企業現在該做,哪些再等?先看重複性與三個條件

能不能導入地端 AI,不只由產業標籤決定,也要看工作是否重複,以及場景能不能被清楚定義。劉文義觀察,第一批走進來的,除了受法規限制的醫療、金融與保險業,也包括利用地端 AI 加速資料處理的科技業,以及會計、律師等有大量重複文書工作的專業服務業,因為效益較容易被看見。

工廠也是可預期的場景。一條生產線可能有 10 台、20 台機器,每台處理與儲存資料的 Protocol 都不同,需要相對應的儲存裝置;生產過程累積的影像與紀錄可能要保存 3 年到 5 年。當企業要跨設備調用這些資料,AI Agent 與地端資料節點就有發揮空間。

「重複性資料處理越多,或重複性動作越多的產業,越容易透過導入 AI 提高工作效率。」反過來說,較傳統、人力密集,或仍高度依賴人工判斷的製造業,短期內未必能快速導入地端 AI。

依 QNAP 提供的資料,企業也可用「高頻、大量、敏感」三個條件做第一輪判斷:資料是否被頻繁調用?規模是否大到雲端傳輸與長期費用開始變得明顯?內容是否涉及個資、法規、智慧財產或商業機密?三個條件愈集中,地端部署愈值得評估;三者都不成立時,使用雲端 API 往往更簡單,也可能更划算。

可以先等的企業,大致也有三種。第一,資料仍分散、版本混亂、權限不清,急著上 AI 只會把混亂放大,先完成集中與治理,效率就可能先提升。第二,找不到一個具體且反覆發生的業務痛點,只因為「別人都在做」而採購,設備很可能變成昂貴的展示品。第三,使用量仍小、需求偶發,現階段雲端的彈性反而更有優勢。

因此,POC 不應只驗證「模型答不答得出來」,還要回答三個問題:資料由誰負責,誰可以存取?導入後能節省多少查找時間、傳輸成本或人工作業?正式上線後,誰負責資料、模型與資安維運?只有當效益與責任都能被量化,才適合從展示走向正式部署。

企業願意把部分資料留在自己的機房,動力最終仍回到資料主權。QNAP 的主要市場分布在歐洲、美洲與亞太,其中歐洲占比將近一半,而歐洲也正是全球推動資料主權的最大動力。

QNAP 的產品已取得 ISO 27001、ISO 27017 與 ISO 27018 等多項認證,並滿足 GDPR、HIPAA 等資料保護與法規遵循需求;累積至今,已售出約數百萬台裝置,協助企業打造智慧、安全的儲存方案。

至於普及時間點,劉文義提出一個明確的價格與效能交會點:地端應用若要順暢運作,運算量可能至少要達到 300 至 600 TOPS,甚至 800 TOPS,同時價格要落在新台幣 5 萬至 8 萬元。目前符合這些條件的硬體方案仍很有限。

qnap3.png
「AI NAS 不是多了 AI 功能,而是改寫了資料在工作流的位置。」威聯通科技總經理劉文義坦言,地端算力成本高昂,QNAP 透過「算力分級」與開放模型架構,助企業逐步建構私有 RAG 知識庫與 AI 團隊。
圖/ 數位時代

「預測約兩、三年後,應該很快會看到符合一般大眾期待、具備合理 CP 值的產品。那個時間點,就會是 AI 落地最蓬勃發展的時候。」在此之前,企業真正能先做的,不是搶著買最大的模型或最昂貴的顯示卡,而是把資料治理、使用權限與高價值場景準備好。

QNAP 以「資料煉油廠」比喻自己的角色:原油再多,沒有整理、提煉與配送的過程,也無法成為可用的能源。這個定位也點出地端 AI 的競賽條件——不是誰先買到算力,而是誰的資料先準備好被調用。模型會持續更換,但企業自己的資料層則會長期存在。

AI NAS 不是把模型塞進儲存設備,而是在資料必須留在企業內時,讓搜尋、推論與管理靠近資料的地端節點。

QNAP World Tour 2026 台北場將於 2026 年 9 月 18 日(五)舉行,現場將聚焦 AI 應用、儲存備份、網通產品、資安與監控,並安排 Live Demo,適合 IT 管理者、系統整合商與企業決策者參加。

活動地點:新板希爾頓酒店|如意 AB 廳

活動時間:09:20–16:00

地址:新北市板橋區民權路 88 號 2F

立即報名:https://bnex.tw/9f7my4

2026 QNAP 台灣企業資安韌性大調查,填問券抽好禮,倒數計時:https://www.surveycake.com/s/q4abw

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
台達電全解讀
© 2026 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