灾难的可见性：AI如何重构全球灾害风险的叙事与治理

从“记录”到“理解”：AI正在重塑全球灾害的数据基础设施

2015年，联合国通过仙台减灾框架，核心承诺之一是用“多灾种、系统性方法”取代单灾种思维。但十年过去，支撑这一承诺的数据大多仍是孤立的“事件登记表”。洪水、地震、损失几何——被整齐放进数据库，却很少回答更关键的问题：灾害如何彼此连接？社会脆弱性如何放大冲击？

2026年3月《科学数据》刊发的一项研究，正在填上这个空白。一个欧洲研究团队利用大语言模型（LLM）和检索增强生成（RAG），从全球数百万新闻源中自动提取超过3000起在2014至2024年间发生的灾害事件，为每一起生成结构化的“故事线”，并转化为知识图谱。这份开放数据集的意义，不只是“更快、更多”的数据，而是全球灾害风险研究正在从统计“发生了什么”走向理解“为什么这样”和“之后会怎样”。

被忽视的级联：旧数据系统的结构性局限

单灾种记录体系在国际框架下已相对成熟，但真实世界的灾难很少保持“单一”。台风引发洪灾，洪水导致停电，停电催生次生事故——级联效应在近年气候事件中反复出现。然而，多数国家数据库以单一灾种为登记单位，灾害间相互作用、时间关联以及社会脆弱性几乎不可见。

知识图谱的切入，正在于把灾害事件拆解为实体与关系，如“洪水导致山体滑坡”、“热浪加剧干旱”。该数据集不仅包含事件本身，还包含“故事线”的叙事结构，相当于把静态条目变成动态剧情。对政策制定者来说，图形化关系比一张损失表更容易揭示风险源头。

为什么是现在：LLM与RAG的智能化跃迁

从新闻中提取灾害信息并非新事。欧洲媒体监测系统（EMM）很早就聚合媒体内容，但要从自由文本准确提炼“谁、何时、何地、影响如何”并形成统一结构，传统NLP工具力不从心。

大语言模型改变了这一点：它们能够理解上下文、识别因果关系、生成摘要。而检索增强生成（RAG）将抽取过程锚定在具体新闻语料上，降低“虚构”风险。研究者用这套流程对EM-DAT中的事件进行补充生成，并通过专家评估和独立标注检验数据质量。这本质上是AI从“信息检索”走向“知识构建”的缩影。

技术成熟决定了这项研究只能出现在当下。2024年后，开源LLM与RAG框架的普及，使学术团队能以较低成本处理数千万篇文章。知识图谱技术也走向科学数据管理。几股趋势在此汇合，形成一种新的“全球灾害叙事基础设施”。

谁的灾害、谁的叙事：新闻数据与全球南方

该数据集的语料来自EMM，一个聚合数百万新闻网站的监测系统。新闻覆盖率不等于现实覆盖率，它偏向媒体基础设施更强的地区。但与传统政府报告相比，新闻来源在捕捉非正式和边缘事件上有独特优势。全球南方许多灾害事件缺乏统计报告，却往往有本地媒体报道。因此，自动化新闻挖掘在一定程度上补上了国际数据库中的“可见性赤字”。

这也带来新的地缘信息问题：谁拥有模型与算力，谁就可能定义灾难叙事。该研究选择将数据和代码开放，并搭配交互仪表盘，是一种对“黑箱治理”的抵抗。长期看，灾害数据的民主化会影响国际救援资源分配，也会影响全球气候适应基金的去向。

从风险记录到决策剧场

这项研究的最终意义，不在于画出漂亮的图，而在于指向一个正在出现的未来：实时更新的全球灾害知识图谱，可能成为国际减灾机制的底层操作系统。若海啸预报发布后，系统能自动调取历史上同类事件及其级联后果，生成一个“情景剧场”，决策便不只是基于当前信息，还包含结构化历史智慧。

当然，AI生成的知识图谱仍不完美。不同语言和文化的灾害叙事有差异，模型可能放大偏见。但作为首个基于全球新闻的大规模灾害知识图谱数据集，它为多灾种风险评估提供了可验证的基准。研究者特意指出，该数据集与传统资源如UNDRR灾害信息概况（HIPs）互补，而非替代。这体现科学共同体应有的克制。

在一个极端气候事件常态化的年代，人类社会缺少的不是警示，而是将警示转化为结构认知的能力。当大语言模型开始阅读世上每一篇关于洪水和地震的报道，并将它们编织成相互关联的知识之网，我们或许正见证全球风险治理的一次悄悄转型：从知道发生了什么，到理解一切如何发生。