2025年德克萨斯州洪水期间人工智能失败的原因：灾害管理的关键教训

2025年7月，德克萨斯州经历了一次有记录以来最严重的洪水之一。这场灾难夺去了超过145条生命，并造成了数十亿美元的损失。许多社区没有准备好应对水位上涨的速度和力量。这尽管人们普遍相信人工智能（AI）能够预测和管理此类事件。

多年来，人工智能被认为是预测极端天气的关键解决方案。政府和专家依靠它来改善早期预警系统。然而，在这次危机中，技术并没有按预期运行。这一事件表明，虽然人工智能提供了许多好处，但它也存在局限性。这些局限性必须被明确理解和解决，以提高面对未来气候相关紧急事件的公共安全。

2025年德克萨斯州洪水：一个警示

2025年7月4日，德克萨斯州中部遭遇了近期美国历史上最致命的内陆洪水。被称为闪洪走廊的一部分，该地区已经经历了数天的暴雨。但在这一天，情况迅速恶化。仅仅几个小时内，瓜达卢佩河的水位从某些地区的不到3英尺迅速上涨到超过34英尺。水溢出河岸，席卷了房屋、车辆和生命。

一种罕见的天气条件组合导致了这场灾难——热带风暴巴里残余的湿气与该地区其他风暴结合。该地区的土壤已经因干旱而变得坚硬，无法吸收突然的降雨。因此，在某些地区内仅3个小时就下了超过10英寸的雨。该地区很少有人见过这样的强降雨。

像克尔维尔这样的社区受到了最严重的影响。在克尔维尔，至少有135人死亡，包括来自神秘营地的37名儿童和工作人员，该营地位于河边。整个社区被洪水淹没。许多企业被损坏或摧毁。道路、桥梁和关键基础设施崩溃。专家估计总损失在180亿美元至220亿美元之间，使其成为该地区历史上最昂贵的自然灾害之一。

紧急服务不堪重负。国家气象服务局在洪水发生前一天发出超过22个警报和洪水预警。但水位上涨太快。在某些地区，不同模型的预测结果不一致。这造成了混乱，并延迟了一些撤离决定。在几个城镇，紧急警报器未能正常工作。许多人没有及时收到足够的警告。停电和移动网络问题也使救援人员难以接触到人们或分享信息。

在危机期间，像X（前身为Twitter）这样的平台成为关键的信息来源。人们发布视频并请求帮助。志愿者利用这些信息组织了救援工作。然而，许多帖子没有得到验证。这导致了混乱，并有时传播了虚假信息。

2025年的洪水凸显了该州灾难应对系统的重大缺陷。预测工具无法跟上风暴的速度；通信故障和缺乏协调进一步加剧了损害。这场悲剧凸显了需要改进的早期预警系统、增强规划和更可靠的基础设施，以保护未来气候相关紧急事件中容易受到伤害的社区。

为什么人工智能无法正确预测德克萨斯州洪水

2025年7月德克萨斯州洪水表明，人工智能系统仍然远未完善。这些系统无法提供明确和及时的预警。许多技术和人为问题共同作用。这些问题包括缺失的数据、弱模型、不良的沟通和人工智能在紧急响应团队中的有限使用。

弱数据和缺失信息

准确和及时的数据对于人工智能有效预测洪水至关重要。在2025年7月德克萨斯州洪水期间，中部德克萨斯州的许多小型流域缺乏足够的传感器。在某些地区，流量计器故障或达到极限，无法应对极端条件。这使得在最关键的时刻收集可靠的数据变得困难。

NASA的SMAP卫星提供了有用的土壤湿度数据，但其分辨率从9到36公里，不适合局部洪水预测。早些时候，SMAP拥有一个提供1到3公里分辨率的雷达传感器，但它于2015年停止工作。现在，只使用辐射计，它无法检测快速的小规模变化。在像中部德克萨斯州这样的地区，这是一个显著的缺陷，闪洪可能在一公里范围内发生变化。没有细粒度的数据，人工智能工具难以提供准确和及时的洪水预警。

天气雷达系统在德克萨斯州洪水期间也面临困难。丘陵地区的暴雨导致信号丢失和散射，从而降低了降雨读数的准确性。这造成了盲点，影响了传统和基于人工智能的洪水预报。

像Google洪水中心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。但是，没有来自流量计和传感器的实时本地数据，这些系统就会失去准确性。在2025年的洪水期间，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被单独处理，导致延迟和协调不良。这限制了人工智能跟踪洪水的实时能力。

人工智能工具需要快速、完整和集成的数据。在这种情况下，缺失和不同步的输入使得它们难以预测洪水的发展。

人工智能模型不适用于极端降雨

2025年7月德克萨斯州洪水暴露了传统和基于人工智能的预测系统中的重大差距。在中部德克萨斯州的某些地区，仅3个小时内就下了超过10英寸的雨。雨峰值达到每小时4英寸。气象学家将其描述为500年一遇的洪水，即每年发生的概率为0.2%。

大多数用于天气和洪水预测的人工智能模型都是基于过去的数据训练的。当天气遵循已知模式时，它们运行良好。但是，它们经常在极端或罕见事件期间失败。这些被称为分布外事件。德克萨斯州洪水就是这样一个事件。模型以前从未见过这样的事件，因此它们的预测不准确或延迟。

其他问题使情况更加糟糕。该地区经历了干旱，因此干燥的土壤无法快速吸收水。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样的复杂情况。但是，许多人工智能模型无法做到这一点。它们缺乏物理推理，结果有时看似正确但不现实。

沟通和警报系统不起作用

人工智能预测只有在清晰和及时传达时才有帮助。在德克萨斯州，这并没有发生。国家气象服务局（NWS）使用了诸如高分辨率快速刷新（HRRR）等模型，48小时前预测了暴雨。但是，警告并不明确。人工智能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的警告仍然是一个技术挑战。

紧急警报也未能正常工作。基于电话的系统CodeRED需要手动激活。在某些县，这延迟了2到3个小时。过时的软件和与人工智能工具的弱集成造成了问题。人工智能模型运行在云系统上，但地方机构使用了较旧的数据库。这些数据库无法处理实时数据。在某些情况下，数据共享的延迟超过了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工具提供了更好的本地降雨预报。然而，NWS无法及时使用它们。外部模型需要数周的验证。没有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，即使预报准确，也在紧急情况下未被使用。

人为因素使情况更加糟糕

人为因素增加了更多技术问题。应急管理人员被数据淹没。人工智能模型生成了各种输出，包括降雨图和洪水风险水平。这些来自不同的来源，例如Google洪水中心和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%的风险；这种混淆延迟了官员的决定。

培训也是一个问题。许多地方团队对人工智能有很少的经验。他们无法理解复杂的模型输出。像深度学习系统（例如洪水中心）是可用的，但没有证据表明它们在危机期间被地方应急团队积极使用或理解。像SHAP这样的可解释人工智能工具可以更有效地管理局势。

此外，紧急人员面临着大量信息。他们必须处理人工智能生成的预报、雷达图像和公共警报。这些数据的数量和不一致性导致了响应延迟，并增加了混乱。

经验教训和人工智能在灾害管理中的未来

2025年7月德克萨斯州中部洪水表明了人工智能在紧急情况下的潜力。同时，它也暴露了重大弱点。虽然人工智能系统提供了早期预警和预报，但它们经常在最关键的时刻失败。为了更好地为未来灾难做准备，我们必须从这次事件中吸取教训。关键教训与数据质量、模型设计、沟通差距、气候适应性和协作有关。

弱数据基础限制人工智能的准确性

人工智能系统依赖于实时、高质量的数据。在像克尔维尔这样的农村地区，流域中有很少的流量计。这留下了大量的盲点。因此，预测未能捕捉到局部洪水模式。卫星数据有所帮助，但缺乏细节。例如，NASA的SMAP传感器覆盖了广泛的区域，但分辨率较低。需要本地地面传感器来细化此类数据。

一种解决方案是扩大高风险地区的传感器网络。另一种方法是让当地社区参与。在印度阿萨姆邦，当地机构已经部署了基于移动设备的天气站，并试点了公民报告工具，以提高洪水易发地区的覆盖率。在德克萨斯州，类似的系统可以让学校和当地团体报告洪水迹象。

人工智能模型需要现实世界的推理

大多数当前的人工智能模型从模式中学习，而不是物理学。它们可以预测降雨，但在准确模拟洪水行为方面却很困难。在德克萨斯州洪水期间，一些模型低估了水位上涨。这延迟了关键决策。

混合模型是一个更好的选择。这些模型将人工智能与基于物理的系统相结合，以提高现实性和可信度。例如，Google的洪水预报计划使用一种混合方法，结合机器学习的水文模型和基于物理模拟的淹没模型。该系统在100多个国家的河流洪水预测中展示了改进的准确性和预警时间可靠性。

沟通差距使情况更加糟糕

在洪水期间，人工智能系统产生了有用的预报。然而，信息并没有及时传达给正确的人。许多紧急救援队伍已经不堪重负。他们收到了来自不同系统的警报。有些信息不清楚，甚至相互矛盾。这导致了行动的延迟。

一个主要问题是信息共享的方式。一些紧急救援人员没有接受过理解人工智能输出的培训。在许多情况下，工具是可用的，但地方团队缺乏使用它们的适当知识。

有必要改善通信工具。警报必须清晰、简洁、易于响应。日本使用简短的洪水信息，包括撤离说明。这些警报有助于减少响应时间。在德克萨斯州，类似的系统可以带来帮助。

还需要通过熟悉的平台呈现人工智能预报。例如，在Google地图上显示洪水警告可以帮助更多人了解风险。这种方法可以支持在紧急情况下更快、更安全的决策。

气候极端事件打破了旧模型

2025年的降雨打破了许多记录。大多数人工智能系统没有预料到如此强烈的天气。这是因为模型是基于过去的数据训练的。然而，过去的模式不再符合今天的气候。

为了保持其有用性，人工智能必须更频繁地更新。训练应该包括新的气候情景和罕见事件。全球数据集，例如IPCC，可以提供帮助。模型还应在极端情况下进行测试，以验证其处理未来冲击的能力。

合作仍然是一个挑战

许多组织在危机期间拥有有用的工具。然而，它们并没有有效地合作。重要的数据没有及时共享。例如，WindBorne收集了高空气球数据，可以改善洪水预报。但是，这些信息由于技术问题和法律限制而延迟。

这些差距限制了先进系统的全部益处。公共和私营组织经常使用单独的模型。它们之间没有实时连接。这使得建立清晰和完整的事件图景变得更加困难。

为了改善这种情况，我们需要共同的数据标准。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至关重要。此外，从当地社区收集反馈可以帮助使系统更加准确和有效。

技术正在进步，但需要支持

新技术可以改善洪水管理。但是，它们需要适当的基础设施和政策支持。一个有前途的方法是物理信息人工智能，它将科学知识与机器学习相结合，以提高洪水预测。研究小组，例如麻省理工学院的团队，已经测试了这种方法，以使预测更加准确和现实。但是，详细的结果尚未公开。

其他工具，例如无人机和边缘设备，也可以提供帮助。它们可以实时收集数据，即使在地面系统受损或缺失的地区。在荷兰，简单的公共仪表板使用清晰的视觉显示洪水风险。这有助于人们了解情况并迅速采取行动。

这些例子表明，先进的工具也必须易于使用。它们应该与公共系统链接，以便专家和社区都能从中受益。

结论

洪水预测不再仅仅是关于天气图和警告。它现在涉及人工智能系统、卫星数据、当地报告和快速通信工具。然而，真正的挑战不仅仅是构建更智能的工具，而是确保这些工具被现场人员有效使用。

2025年德克萨斯州洪水表明，延迟、协调不良和不明确的警报如何抵消先进技术的好处。为了改善，我们需要明确的政策、共享的系统和当地团队可以理解和快速采取行动的工具。

像日本和荷兰这样的国家展示了如何将智能预测与公众的便捷访问相结合。人工智能不仅应该预测洪水，还应该帮助防止损害和挽救生命。洪水管理的未来取决于创新与行动、技术与信任以及智能与当地准备之间的平衡。这将决定我们如何适应日益增长的气候风险。