Google 推出 Groundsource：用 Gemini 預測城市山洪，最多提前 24 小時

要想訓練一個能預測突發災害的 AI 模型，最大的攔路虎往往不是算力，而是世界上根本沒有足夠整齊的歷史資料。

像突發性城市山洪這種災害，來得快去得也快，每年在全球導致超過五千人喪生。過去的氣象觀測網主要盯大江大河，衛星拍地面有云層遮擋和過境週期的限制，聯合國的災害警報系統裡記錄的嚴重事件也才不過一萬條左右，這點樣本量拿來喂深度學習模型根本不夠看。

Google 換了個極具腦洞的路子。既然感測器沒記下來，那人類寫過的新聞總記下來了吧。他們推出了名為 Groundsource 的系統，讓 Gemini 去翻過去幾十年的新聞，硬生生把文字報告洗成了一張全球災害資料集。

讓大模型去讀五百萬篇舊新聞

Google 研究團隊找來了全球五百萬篇新聞報道，覆蓋了八十種語言。他們先用工具提取正文並翻譯成英文，再設計提示詞讓 Gemini 從文字裡揪出發生洪水的具體時間和地點。

隨後，系統結合 Google Maps 的地理邊界資訊，把分散的報道對齊到具體的地理座標上。最終他們篩出了 2000 年至今、跨越 150 多個國家的 260 萬次歷史洪水記錄。

人工抽檢的結果顯示，從新聞裡直接抓出來的事件中，有 60% 在時間和具體位置上完全精準。如果把標準稍微放寬到具有實際分析價值，比如鎖定了正確的行政區或峰值時間相差一天以內，可用比例達到了 82%。

拿到這批基準資料後，Google 訓練了一個基於 LSTM 神經網路的預測模型。現在這個模型已經整合進了 Google 的 Flood Hub 平臺，能為全球 150 多個國家的城市區域提供最長提前 24 小時的突發山洪預警。

便宜的方案，解決基建不足的痛點

這套系統目前當然有短板。它的空間解析度只有 20 平方公里，而且沒有接入地面雷達的即時降水資料。在預警精度上，它顯然比不上美國國家氣象局那套靠昂貴感測器堆出來的專業系統。

但 Google 這次瞄準的根本不是那些氣象基建完善的富裕地區。南部非洲發展共同體的應急響應官員 António José Beleza 在試用後表示，這套預測確實幫他們爭取到了更早的響應時間。

氣象資料創業公司 Upstream Tech 的執行長 Marshall Moutenot 評價說，地球物理學最痛苦的就是資料稀缺，看似地球資料很多，但能拿來當真值驗證的極少，Google 這次找資料的思路非常具有創造力。

Google 團隊也表示，這個用語言模型把非結構化報道變成量化資料的做法，接下來還會用在滑坡、泥石流和熱浪等同樣缺乏系統記錄的災害上。

為什麼重要

我們認為，Groundsource 最值得稱讚的地方，是它展示了大語言模型在文本生成之外的一種全新用法：把人類社會積累的龐大新聞文本，轉化成前沿科學研究所需的基礎物理事實資料。

對於很多發展中國家的應急部門和普通居民來說，過去沒有錢鋪設昂貴的多普勒雷達和地面感測器，突發暴雨基本上只能靠肉眼看天。現在只要開啟網頁或接入 Flood Hub 的介面，就能獲得提前一天的粗粒度預警，這種從零到一的改變往往就能救命。

但它的隱患也在於新聞報道本身的偏差。媒體報道天生偏向人口密集、經濟發達的地區，偏遠鄉村即便發生了嚴重內澇，也可能因為沒有記者報道而被 AI 漏掉。長期依賴新聞來構建真實世界基準，模型可能會在不經意間放大這種地域間的不平等。

從行業來看，Google 這一步走得相當聰明。它避開了和傳統氣象巨頭比拼雷達硬體和超算物理建模的重資產路線，利用自己在大模型和全球地圖資料上的雙重優勢，開闢了一條低成本預測自然災害的新路徑。