跳到主要内容
返回时间线
发表出处待核验来源发表:

台风预警不再卡在部门之间:MAESTRO在浙江接入政府指挥平台,预警周期从小时压到分钟

核心概要

浙江的政府应急指挥平台已把大语言模型驱动的多智能体系统MAESTRO接入日常台风响应,让观测、灾害预报、影响评估和面向部门的预警草稿在同一个跨部门流程里完成。此前这些环节分散在气象、水文、自然资源等机构,语义不通、审批串行,预报再准也难以及时变成行动。在100个台风情景中,MAESTRO给出的预警等级与专家一致的比例为98.4%,平均决策耗时37.9秒,而专家团队为250.0秒;2019年利奇马台风的72小时回放显示,更早的分区预警可多争取8小时提前量。

Source-provided article image: MAESTRO: large language model-enabled cross-agency coordination for natural disaster early warning | npj Artificial Intelligence
Fig. 1 · Nature Machine Intelligence

深度剖析

台风预警的跨部门协调环节现在可以由一套角色分工明确的智能体系统承担,输出面向应急管理部门的预警建议,而不是直接对公众发布。 过去观测、灾害预报、影响预测和防护行动分属不同机构,数据格式与术语互不兼容,审批逐级串行,预警等级又按固定的灾害阈值设定,难以跟上快速演变的复合风险。 在覆盖浙江的100个台风情景上,其中10个为2016至2022年的历史事件、90个为WRF高分辨率模拟,多智能体加工具调用的配置与事后官方预警等级一致率为98.4%±3.4%,高于单智能体大模型基线的72.3%至90.9%。

系统按机构职能拆成三类角色:态势感知智能体持续读取雷达、卫星、水文站和现场报告并触发流程,执行智能体把任务拆解分派,气象、水文、自然资源、应急管理等专业智能体调用各自工具给出分析与建议。 各智能体通过共享的自然语言上下文交换结果,把不同部门的术语对齐,并用限定范围的记忆保留事件脉络,使每一步推理可追溯。 在浙江的实测中,系统于2024年中接入省级AI·1833 R灾害助手,连接8个省级部门、11个地市和90个县级应急管理单位;2024至2025年的四次台风响应中执行了80多个预警周期,操作员核验的风险评估与专家判断一致率约为95%。

在真实响应场景里,系统把原本需要9至12名专家约3小时完成的行动方案压缩到3至5分钟生成,并保持只需少量修改即可部署。 利奇马台风的72小时全周期回放中,从观测到预警的链条用时约660秒,约为机构基线5940秒的九分之一。 同一回放显示,更早的分区预警和预先部署可让约18万居民在额外8小时提前量下完成转移;宁波的调度比人工判断提前约12小时,跨地市的物资增援也在道路中断前完成调配。

启示与展望

演示范围是浙江一省的台风预警链条中段,即观测到灾害与影响评估、再到面向部门的预警草稿,公众授权与发布仍由应急指挥中心掌握;系统在省级AI·1833 R平台中支撑了2024至2025年的多次台风响应。

评估侧重决策延迟、新增提前量和转移人数,尚未纳入避免的伤亡、减少的服务中断和经济损失等前瞻性影响指标;当前实现集中在气象、水文和电力、供水、交通等核心生命线,医疗、通信和市政服务尚未覆盖;完整的成本效益分析仍待完成。