这是一期AI Unraveled播客的特别深入探讨节目,由加拿大资深工程师兼热衷足球的父亲Etienne Moomin创作和制作。请记得点赞、订阅,并大力宣传。欢迎来到深入探讨环节。在这里,我们将处理非常复杂的信息,尝试将其提炼,并希望能发现一些令人惊讶的知识点,所有这些都是为您量身定制的。我们的
我们今天的任务是,解开一个重大的全球性挑战,并探讨尖端技术如何迎难而上。我们将深入探讨日益严重的全球野火危机,特别是人工智能在检测和对抗这些破坏性事件中所起的变革性作用。
我们将探讨问题的惊人规模,追溯我们探测火灾方式的演变,分析当前的人工智能武器库,也就是实际存在的工具。我们还将了解一些现实世界的成功案例,并且重要的是要承认仍然存在的严峻挑战。好的,让我们来解开这个紧迫的问题。全球形势,感觉越来越以火灾为特征。它真的不再仅仅是季节性问题了,对吧?感觉更像是一场持续不断的全球性危机。
原因是气候变化,当然还有土地利用的变化,以及野生土地与人们居住地之间日益增长的交界。你完全正确。统计数据描绘了这场不断升级的危机的严峻图景。实际上相当严峻。例如,在美国,燃烧的土地面积急剧增加。如果你回顾一下,比如说从1983年到2000年代初,我们平均每年燃烧的土地面积大约为两百万到四百万英亩。但自2015年以来,
我们每年经常看到超过800万英亩的土地被烧毁,有时甚至超过1000万英亩。仅在2024年,就有超过930万英亩土地被烧毁。这仅仅是十年间就增长了40%。更重要的是,与仅仅40年前相比,增长了四倍。哇,四倍。这令人震惊。是的。而这些数字真正揭示的是
一个根本性的转变。我们不仅仅是应对更多的火灾。我们越来越多地应对特大火灾。想想看,在2024年,只有39起火灾。这些都是非常大的火灾。每起火灾都超过4万英亩。它们造成了全国总烧毁面积的56%。仅仅少数几起火灾就造成了半数的损失。
没错。想想2024年加利福尼亚州的帕克大火。它在三天内就蔓延了35万英亩。这里的关键在于,正是那些逃脱了最初控制、最初攻击的火灾导致了这些灾难性的后果。它们将小型火灾变成了国家灾难。而这不仅仅是美国的问题,对吧?你提到了全球范围。哦,绝对是全球性的。2023年,欧盟的烧毁面积是有记录以来的第四大面积。
大约50万公顷。其中包括希腊9.6万公顷的大火,这是欧盟有史以来记录到的最大单起野火。
据估计,在2023年3月至2024年2月期间,全球烧毁面积约为390万平方公里。我们现在在一些意想不到的地方也看到了火灾,比如亚马逊地区,甚至北极地区。此外,火灾季节本身也在不断扩大。例如,在加利福尼亚州,大型火灾现在一直燃烧到12月。过去,这被认为是安全地处于高峰风险期之外的。12月,这太疯狂了。是的,而且前景……
根据联合国环境规划署(UNEP)的数据,情况相当严峻,他们预测到2030年极端火灾将增加14%,到2050年将增加30%,到2100年将惊人地增加50%。这基本上将野火变成了一个永久性的全球特征。
它从根本上改变了我们设计城市、管理土地甚至呼吸的方式。以及连锁反应。是的。它们远远超出了火焰的范围,也严重地打击了我们的钱包。经济损失一定非常巨大。绝对巨大。而且不仅仅是直接损失。还有连锁反应。是的。看看美国联邦政府扑灭火灾的成本。2024年达到48亿美元。
这是十年间增长了250%。250%。是的。但这实际上只是实际成本的一小部分。是的。总经济损失、财产损失、业务中断、医疗保健、生态系统破坏、破坏。它们的数量级要大得多。仅对2025年南加州火灾的预测就超过2500亿美元。2.5万亿美元。
可能是一次事件。还记得2018年的营火吗?保险损失达125亿美元。2023年的毛伊岛野火又增加了44亿美元。一些综合估计认为,美国野火的年度总成本在每年3940亿美元到8930亿美元之间。高端接近一万亿美元。这对经济来说是一个巨大的拖累。
这些成本实际上将自然灾害变成了在火焰熄灭多年后对地方和国家经济的持久负担。以及人员伤亡?
这也是无法估量的。同样深远。绝对的。除了夏威夷拉海纳发生的悲惨的97人丧生等直接死亡人数外,还有野火烟雾造成的严重的公共卫生危机。这种细颗粒物,PM 2.5,可以传播数千英里。你可能还记得2023年加拿大烟雾笼罩美国东海岸的情况。哦,是的。这里的情况很糟糕。没错。而这种污染每年导致全球约34万例过早死亡。
因此,通过更快、更好的检测节省的每一美元,不仅仅是避免成本。它实际上是对社区健康和复原力的投资。从技术的角度来看,以下内容至关重要。先进技术(如人工智能)的真正市场驱动力不仅仅是火灾的存在。而是无法迅速控制火灾。
特大火灾向我们表明,有效行动的关键窗口是几分钟,而不是几小时或几天。对,最初的攻击阶段。正是如此。正是在这个狭窄的时间范围内,一个小而易于控制的火灾变成了无法控制的灾难。所以
因此,人工智能的价值主张是快速提供精确、经过验证、可操作的情报,以使火灾规模保持较小,从而控制这些成本。这让你不禁想知道,鉴于这场日益严重的危机,在人工智能出现之前,我们究竟是如何应对的?让我们追溯从人眼到数字哨兵的历程,从经典的瞭望塔开始。啊,是的,正如一些人所说的,浪漫但有缺陷的堡垒。
在20世纪的大部分时间里,这些瞭望塔是主要的方法。在鼎盛时期,49个州共有超过8000座瞭望塔。
瞭望员使用双筒望远镜和一种名为奥斯本火灾探测器的特殊工具来发现烟雾并估计其位置。现在听起来相当低技术含量。是的。而且它有很大的局限性。首先,你需要一条清晰的视线,很容易被地形、恶劣天气甚至其他火灾的烟雾遮挡。它显然完全是被动的,依赖于持续的人类警惕。必须有人一直看着。
而且至关重要的是,存在严重的延误。发现烟雾只是第一步。然后瞭望员必须使用火灾探测器,估计位置,评估威胁,然后通过无线电或电话进行中继。每一步都在浪费宝贵的时间。没错。这种时间滞后对于当今移动速度更快的火灾来说是完全不可接受的。此外,它根本无法扩展,这就是为什么今天只有几百座活跃的瞭望塔的原因。好的,所以瞭望塔逐渐消失了。然后我们转向了自动化浪潮的开端。那是什么样的?对。
在20世纪90年代,我们看到了使用地面摄像机和传感器网络的早期尝试。也许比纯粹的手动方法有所改进。但它们继承了许多相同的缺陷,坦率地说,还引入了一些新的缺陷。例如?首先,它们部署和维护的成本非常高昂。你需要基础设施、电力、偏远地区的数据链路。与瞭望塔一样,摄像机的视野有限。它们无法看到山丘后面或茂密的森林,而且在夜间毫无用处。
但也许最大的问题是误报率很高。这些早期系统很难将野火烟雾与雾、尘埃甚至工业蒸汽区分开来。狼来了的问题。没错。它会降低可信度。如果系统总是出错,人们就会停止信任它,你就会浪费资源去追逐鬼影。
而且重要的是,这第一波技术完全是被动的。它可能告诉你可能有烟雾,但没有提供预测能力,也没有提供关于火灾规模、强度或蔓延方向的详细指标。因此,在快速获取有用信息方面仍然存在很大的差距。巨大的差距。这让我们想到了所有这些传统系统(包括人工和早期自动化系统)的核心失败之处。
那就是在最初检测到火灾和将可操作的情报传递给需要它的人之间存在不可接受的延迟。发现烟雾或收到警报只是开始。之后的所有步骤,例如验证、精确定位、评估情况、进行沟通,这些步骤都浪费了宝贵的时间。
现代人工智能系统从根本上是为了解决这个问题而设计的。它们将检测、验证、定位和上下文融合到一个几乎即时的工作流程中。好的,让我们深入探讨这个核心。人工智能现在究竟是如何彻底改变检测的呢?我们看到了哪些主要技术?总的来说,目前有三种主要方法使用人工智能进行野火探测,每种方法都有其独特的优势和劣势。好的,让我们听听它们。首先,我们有“空中之眼”,即基于卫星的人工智能。
这利用地球观测卫星,想想NASA、NOAA,现在还有私营公司。它们使用先进的热传感器,主要是中波和长波红外线,可以从轨道上直接看到火灾的热信号,通常在800到1200摄氏度左右。
然后,人工智能算法分析这些数据。它们识别新的热源,过滤掉潜在的误报,并发出警报。我认为最大的优势是覆盖范围。无与伦比的覆盖范围。广阔的全球覆盖范围。数百万英亩。它非常适合难以进入的地点。
像NOAA的NGFS这样的系统,它使用地球同步卫星,每五分钟可以扫描整个美国本土。他们声称,对于小到四分之一英亩的火灾,他们可以在短短一分钟内发出警报。这听起来非常令人印象深刻。缺点是什么?存在关键的权衡。延迟和重访时间是主要问题。低地球轨道(LEO)卫星可能每隔几天才会经过同一地点。即使是地球同步卫星,虽然扫描频率很高,但警报实际上传递到整个系统并发出警报可能仍需要长达90分钟的时间。90分钟?
在这段时间内会发生很多事情。很多事情。然后是分辨率。它通常相当低,特别是对于地球同步卫星而言,像素大小可能为一公里或更大。
因此,它们可能会错过小型初期火灾,而这正是你想要尽早扑灭的火灾。当然,它们也无法穿透云层或浓烟。此外,它们仍然存在来自其他热源的误报问题。想想大型太阳能农场、工业设施等。好的,所以卫星适合大范围覆盖,但存在延迟和分辨率问题。接下来是什么?接下来是永不疲倦的网络。
基于地面的人工智能摄像机。像Pano AI这样的公司就是一个很好的例子。它们在高处,例如现有的瞭望塔或山顶,安装这些坚固耐用的超高清摄像机,通常具有360度旋转功能。这些摄像机不断捕捉图像,可能每分钟一次。图像被传输到云端。它们的24/7人工智能计算机视觉模型分析这些图像。这些模型经过大量数据集的训练,可以识别非常细微的烟雾迹象,通常是在人眼发现烟雾之前很久。
基本上是人工智能在不断地监视?没错。但这里有一个关键步骤。人工参与(HITL)验证。
人工智能会标记潜在的检测结果,但不会自动发出警报。相反,它会被路由到一个24/7情报中心,在那里经过培训的人类分析师会查看它。他们使用诸如摄像机馈送上的光学变焦、延时成像之类的工具。他们会验证它是否真的是火灾。啊,所以这解决了狼来了的问题。没错。它大大减少了误报,并增强了对急救人员的信任。他们知道,当他们收到警报时,它已经过审核。
一旦得到验证,系统就会立即发出可操作的情报。我们说的是精确的GPS坐标,通常是从多个摄像机进行三角测量以提高精度,以及通过网络或移动应用程序提供的实时视频馈送。因此,优势在于信息的快速性和质量。无与伦比的检测速度,通常在着火几分钟内。
以及非常丰富、可操作的情报,实时视频让响应者能够立即看到他们正在处理的情况。视线是主要因素。每个摄像机通常覆盖大约10到15英里的半径。因此,它最适合高价值区域、野生地区与城市交界处(WUI)、关键基础设施、流域。当然,它需要物理安装、持续维护,并且你需要可靠的电力和数据连接,这在偏远地区可能很棘手。
主要参与者包括Pano AI、FireScout和Alert California网络。好的,卫星、地面摄像机。第三种方法是什么?第三种方法比较新,实际上仍在发展中,它在嗅探危险。物联网气体传感器。Dryad Networks等公司正在开创这项技术。其理念是在森林树冠中直接部署低成本、通常是太阳能供电的传感器网状网络。
这些传感器最初并不寻找热量或烟雾。它们实际上是在闻空气。它们被设计用来检测阴燃燃烧的特定化学特征,例如一氧化碳、氢气、某些挥发性有机化合物(VOC)。甚至在出现可见烟雾之前。这是目标。在出现明显的可见烟雾或强烈的热信号之前检测火灾。
数据通常使用低功耗、远程物联网协议(如LoRaWAN)发送回来,这些协议在茂密的森林中比蜂窝网络更有效。所以潜力是更早的检测?理论上是的。其潜力在于尽早检测,可能比视觉方法提前数小时,尤其是在摄像机和卫星难以工作的茂密森林树冠下。但你说它正在发展中。障碍是什么?它肯定还处于早期阶段,尚未在大型规模上得到验证。
一个很大的挑战是你需要非常高密度的传感器才能实现有效的覆盖。
在广阔的森林中部署和维护可能数百万个传感器的后勤和成本是巨大的。此外,还有一些关于耐用性、恶劣条件下的电池寿命以及避免来自其他环境因素的误报的问题。但推动这一技术的关键参与者是Dryad Networks和Sensory AI。所以有三种不同的技术。对。如果我们将此与更大的图景联系起来,很明显这里没有万能的灵丹妙药。没有一种技术可以解决所有问题。
最有效、最具弹性的野火管理策略几乎肯定会发展成为将这些不同的技术集成到一个分层的系统中。想象一下一个平台,它可以智能地融合来自卫星(发现潜在热量)、摄像机(确认烟羽),甚至物联网传感器(发出非常早期的警告)的数据。将所有这些整合到响应者可以理解的单一连贯图像中。这就是真正的优势所在。
而且,对于那些收听节目的、对这项技术感兴趣并想深入了解人工智能的人,无论是为了职业发展还是出于兴趣,请记住创建AI Unraveled的Etienne Newman。他在djamgactech.com上有一些很棒的资源。我们正在谈论人工智能认证预备书籍,例如Azure AI Engineer Associate指南、Google Cloud Generative AI Leader指南、AWS认证AI从业人员指南等等。此外,他还拥有这个全面的AI Unraveled Builder's Toolkit,
它包含教程、指南,甚至音频和视频,所有这些都是为了帮助你开始使用人工智能进行构建。请查看节目说明以获取链接。
这些工具可以真正帮助你提升技能,并将想法转化为现实。太好了。所以这些技术,在纸面上听起来很吸引人,但实际影响如何呢?你能否举一个现实世界的例子,说明这项技术真正改变了结果,也许是达到了你提到的关键窗口?当然可以。2024年6月科罗拉多州道格拉斯县的熊溪大火就是一个完美的例子。一次雷击在非常偏远的关键流域地区引发了火灾。
我们谈到的地面摄像机Pano AI系统在上午9点30分探测到了最初的烟羽。它使用了两个不同的摄像机站来三角测量精确坐标。带有精确坐标和实时视频的已验证警报立即发送给应急管理人员。上午9点54分,也就是仅仅24分钟后,就启动了快速地狱攻击响应。直升机在空中那么快?是的。而且至关重要的是,他们在地面人员甚至到达之前就开始投水。
工作人员需要艰难跋涉2.5小时才能到达现场。由于这种快速的检测和空中攻击,火势被控制在仅仅三英亩。
官员们后来表示,如果没有这种早期、精确的人工智能检测,从而能够快速响应,这场火灾几乎肯定会造成极大的破坏。它完美地展示了速度、精度和可操作的情报如何在关键窗口中发挥作用。这是一个有力的例子。那么经济效益呢?这些系统如何显示投资回报率?嗯,经济节约可能是巨大的。以科罗拉多州的惠灵顿大火为例。
Pano AI警报让响应者提前了21分钟。这使他们能够将火势控制在仅仅四分之一英亩。想想在那里节省的潜在成本。在卫星方面,NOAA的NGFS系统在一次火灾爆发期间,据估计帮助节省了超过8.5亿美元的建筑物。这是一个巨大的数字,是其最初300万美元开发成本的250倍。哇。250倍的投资回报率。是的。
而且性能指标也在不断提高。Pano AI报告称,其系统检测到的95%的火灾最终都被控制在10英亩以下。这是成功的关键指标。Alert California将人工智能与其摄像机网络相结合,在其第一个集成人工智能的季节中检测到超过1200起火灾。
更重要的是,它提供的第一个警报在超过30%的时间里都比911电话早。比人们打电话报告得更快。没错。这些不仅仅是轶事,它们是有效的切实证据。
展示了这项技术如何直接转化为节省财产、资源和潜在的生命。而且人工智能的作用似乎不仅仅是检测,对吧?在整个灾难生命周期中。那是绝对正确的。它正在进入预测领域。人工智能模型现在正在分析历史火灾数据、当前天气、雷击、燃料湿度、植被地图,所有这些都是为了预测着火风险,有时准确率高达90%。这使机构能够在其最需要的地方预先部署资源。所以要领先于火灾。努力做到,是的。然后
然后是资源分配。在火灾发生期间,机器学习可以帮助优化消防员、消防车、飞机的部署。它分析地形、天气、实时火灾行为,甚至可以模拟不同的压制策略,以了解哪些策略可能最有效。就像一个战术顾问。从某种意义上说,是的。最后是损害评估。
火灾扑灭后,人工智能可以快速分析卫星或无人机图像,以识别和分类受损建筑物,其准确率通常非常高,约为95%。这加快了灾后援助、保险索赔的速度,使社区能够更快地恢复生机。前景巨大,但我们也需要细致的观察。让我们谈谈挑战、局限性。技术很强大,但它不是魔杖,对吧?不,绝对不是。承认现实至关重要。
仍然存在重大的技术障碍。首先是我所说的数据困境。深度学习人工智能依赖于大量准确标记的数据。对于野火而言,在所有不同的条件下(不同的地形、天气、燃料类型)获得这种数据非常困难。这种稀缺性限制了人工智能模型的泛化能力以及它们在新情况下的准确性。基本上是垃圾进,垃圾出。或者可能只是输入的优质数据不足。
然后是持续存在的误报问题。我们谈到了早期系统,但即使是现代人工智能也难以可靠地区分野火烟雾与雾、尘埃、蒸汽、逆温等。人工参与验证有助于管理这个问题,但这是一种变通方法,而不是算法本身的根本性修复。
最后,存在不可避免的物理限制。人工智能无法改变物理规律。如果你遇到极端条件,例如每小时100英里的圣安娜风吹拂着火灾,它可能在短短60秒内就变得无法控制。即使是即时检测在这种情况下也可能不够。正如我们所说,地面摄像机需要视线。如果浓厚的云层或浓烟遮挡了视野,卫星基本上就毫无用处了。好的,所以是技术限制。那么
将这些系统部署并协同工作。对。这导致了运营和部署障碍。一个很大的问题是集成和兼容性。
目前,情况通常是一块块的。你拥有不同的公共机构、私营公司、各种系统,而且它们通常无法有效地相互沟通。这会创建数据孤岛,使工作流程复杂化。美国政府问责办公室(GAO)实际上将这种互操作性缺乏确定为一项重大挑战。所以你可能有大量的数据,但它无法轻松地传递给合适的人。没错。
然后是部署和维护。将这项技术(摄像机、传感器、电源、通信链路)部署到偏远、崎岖的地形中在后勤方面非常复杂且昂贵。你需要坚固耐用的硬件、熟练的技术人员、可靠的电力和数据,而这些在某些地方很难获得。我们不能忽视隐私和安全。
那些始终开启的超高清摄像机引发了合理的隐私问题,尤其是在房屋附近。解决方案通常包括对敏感区域进行像素化处理。此外,任何支持关键基础设施(如火灾响应)的系统都可能成为网络攻击的目标。说得对。除了技术和后勤之外。还有至关重要的人力和政治层面。
我们必须记住,技术是一种工具,而不是所有其他事物的替代品。先进的检测只有在有足够数量的、训练有素的消防员能够快速响应的情况下才有效。人工智能本身不会扑灭火灾?是的,正是如此。纯粹的被动人工智能方法是不够的。它必须与积极的缓解工作相结合。例如,通过规定的燃烧来减少燃料、森林疏伐、在房屋周围创造防御空间,以及最终制定关于我们在哪里以及如何建设的更明智的土地利用政策。
政策和法规也发挥着巨大的作用。联合国环境规划署明确呼吁政府支出发生根本性变化,将重点和资金从仅仅应对火灾转向预防火灾或减轻火灾风险。但有时现有的法规实际上会阻碍这些缓解工作。
想想空气质量规则,这些规则可能会限制规定的燃烧窗口,或者围绕阻燃剂的环境影响进行辩论。这很复杂。这不仅仅是购买技术的问题。根本不是。这引发了一个我认为很重要的问题,也许是我们需要注意的次级风险。过度依赖技术并可能使我们的人类专家失去技能的危险。
如果机构过于依赖自动警报,那么对传统侦察、瞭望训练或地面巡逻的资金可能会被削减。负责任的实施实际上需要一种双保险的方法。人工智能应该成为一个有弹性、多方面的战略中的一个强大层面,该战略仍然重视并大力投资于人类专业知识和
以及地面能力。这是一个非常关键的点。因此,这次深入探讨向我们展示了人工智能可以为野火危机带来的巨大力量,即更快的检测、更好的预测、更快的评估,但也绝对需要人类因素以及未来仍然存在的复杂挑战。绝对的。前进的道路确实需要所有相关人员采取战略性的、综合性的方法。我们需要投资者优先考虑能够提供真正可操作的情报并利用这些网络效应的解决方案。我们谈到了系统协同工作。
我们需要政策制定者促进强大的公私伙伴关系,并且至关重要的是,开始将资金平衡更多地转向预防和缓解,而不仅仅是压制。对于最终用户,即消防机构本身,他们需要根据这些解决方案如何融入现有工作流程以及供应商的长期可靠性来评估解决方案,而不仅仅是根据炫目的功能来评估。展望未来,例如到2030年,消防技术的未来会是什么样子?更加集成?我认为是的。我们可以想象……
综合指挥中心使用数字孪生技术,即火灾环境的虚拟复制品。在这些中心,人工智能可以综合来自所有来源的数据(卫星、摄像机、无人机、传感器、天气馈送),运行复杂的实时模拟,并推荐最佳的资源分配策略,甚至可以帮助动态规划疏散路线。哇,就像一个实时火灾战略家。有可能。
我们还可能会看到更多的人工智能处理发生在边缘,这意味着直接在卫星或摄像机本身上进行处理,而不是将所有原始数据发送到云端。这可以使警报更快。最终,希望是人工智能驱动的预防会变得更加复杂,允许进行高度有针对性的、数据驱动的缓解工作,清除特定的高风险燃料,可能在火灾季节开始之前很久。
所以,也许最后给你一个发人深省的想法,供所有收听节目的听众考虑。人工智能不会神奇地消除野火。它们是许多生态系统中的自然组成部分,而气候变化正在加剧它们。但人工智能将从根本上改变我们更智能地生活和管理火灾的能力。通过提供至关重要的预见性、速度和情报,人工智能提供了一套强大的工具来减轻我们燃烧世界中最糟糕的影响,并希望创造一个更具弹性的未来。
确实是一个有力的想法。非常感谢你在这次深入探讨中分享你的专业知识。我们希望收听节目的你发现这次探索与我们一样引人入胜,而且坦率地说,也同样重要。下次再见。