面對氣候變遷與地震風險升高，AI 正加速進入災害預警與應變第一線。從英國劍橋團隊用 AI 快速標示台灣地震後山崩地點，到中央大學打造 AI 地震預警系統補足警報盲區，這篇文章帶你了解——當災難發生的速度超越人類反應，AI 如何成為時間差中的關鍵守門人。
2024 年 4 月 3 日清晨，一場規模 7.2 的強震撼動花蓮，讓全台瞬間陷入警覺。然而，在雙北、桃園等地震度達 5 弱的情況下，許多民眾卻仍未接收到國家級警報，引發對地震預警系統的廣泛討論。這不是單一事件，也並非台灣獨有的課題——當極端氣候與地殼變動日益頻繁，人類對災難的「反應速度」正成為生死之間的關鍵差距。
如今，AI 正被寄予厚望，成為災害預警與回應的加速器。在國際間，英國劍橋大學研究團隊利用 AI 模型分析衛星影像，成功於 2024 年台灣地震後 3 小時內判讀出超過 7,000 處山崩位置；而在台灣本地，中央大學亦發展出「AI 地震預警系統」，可於震波初達時即運算全台震度，達成 94% 的預警準確率——這場科技與災害的賽跑，正重塑我們與危機共處的節奏。
以2024年4月3日花蓮發生之規模7.2地震為案例，AI模型架構僅需7秒震波資料，即能有效推估台灣大部分區域之震度將達4級以上。（資料來源：中央大學官網 ）
AI 衛星判讀山崩，提升災後救援效率
根據《Euronews》報導，2024 年台灣強震導致多處山區崩塌，許多災情發生於人煙罕至或雲層覆蓋的地區，傳統人工分析衛星影像往往需耗時數天。為突破此瓶頸，劍橋大學與 CoMHaz（Cascading and Multi-Hazard）研究小組合作訓練 AI 模型，使其能快速比對影像並自動標註山崩地點，即使在夜間或雲霧遮蔽情況下亦不受限。
在花蓮地震後，AI 模型僅花 3 小時便完成初步判讀，提供救援單位即時災損地圖，協助資源調度與人力部署，並為未來風險建模與基礎建設規劃提供關鍵數據基礎。
研究團隊指出，這套系統正逐步應用於其他災害高風險區域，例如尼泊爾山區，也同步強化模型可解釋性，以提升決策者對 AI 偵測結果的信任度。
台灣開發 AI 地震預警系統，補足警報盲區
回到台灣，在強震未發出國家警報的爭議聲中，中央大學開發的「AI 地震預警系統」成為另一項值得關注的技術突破。
不同於現行氣象署模式需先完成地震定位再發送預警，AI 系統不追求精準震央，而是透過大量過去震波資料訓練模型，讓 AI 一接收到地震波，即能預估全台各地即將發生的震度。
據《公視新聞》，地震災害鏈評估及風險管理中心主任馬國鳳指出，該系統的目標是縮短預警時間，尤其是震央正下方的盲區，這往往是傷害最劇烈、卻難以即時預警的地帶。
在模擬 2016 年地震數據下，AI 系統的預警準確率可達 94%，反應速度亦明顯優於現行模式。不過學者也坦言，目前模型仍面臨「搶快與穩定性」的權衡問題，尤其是台灣東西部地震特性差異大，資料量與訓練精度仍需持續累積。氣象署目前已開始進行離線測試，未來將評估是否正式導入。
圖片來源：「報地震 - 中央氣象署」臉書專頁
AI 不是萬靈丹，而是時間差的對抗者
無論是山崩偵測還是地震預警，AI 在災防應用上的意義並非取代人類判斷，而是幫助我們「搶時間」。
在災後黃金 72 小時內，每一秒都可能是生死關鍵；而在災前數秒的預警，也可能讓一列列車停下、讓工廠機具暫停、讓民眾及早躲避。AI 將扮演的，是在龐雜數據中即時篩選關鍵訊號、縮短災情感知與行動之間的時間差。
但技術之外，更重要的是制度與認知的配套。當 AI 模型判讀仍有誤差、當公部門仍擔心誤報造成民怨，我們需思考的是：錯過警報的代價是否比提前準備來得更高？如何設定「容許誤差」的彈性標準，讓科技真正服務於公共安全而非綁手綁腳？
韌性不只靠抵抗，更靠提早準備
極端氣候與地震災害不會停止，但我們的反應可以變快。從國際山崩偵測技術到台灣 AI 地震預警系統，AI 所展現的潛力，已在一場場災難現場中默默地成為守護生命的力量。
接下來，需要的不只是科技研發，而是跨部門協作、制度調整與公眾溝通，才能讓這些工具真正發揮作用。面對不可避免的災難，提早「知道」、提早「行動」，就是未來韌性治理的第一步。
資料來源： Euronews、公視新聞、Phys.org
圖片來源：「報地震 - 中央氣象署」臉書專頁、中央大學官網
延伸閱讀：
AI 的永續兩難：科技推進與能源代價的平衡之道
AI可以讓全球GDP每年增加0.5%，但誰來買單每年新增1.2%的碳排放？
