生成式 AI 进入灾难建模
保险公司开始使用生成式 AI 来建模洪水、风暴和其他在历史记录中出现频率不足、难以支撑传统风险估计的灾害。其吸引力显而易见：合成事件生成可以帮助承保人、再保险公司、银行和基础设施运营商，以比传统方法允许的更大规模和更高细节水平来审视极端情景。
但这项技术也带来了一个熟悉的问题。那些能够生成大量看似合理情景的系统，同样也可能产生幻觉，在输出看起来真实的同时违反灾难建模所依赖的物理逻辑。这种张力使生成式 AI 一方面成为一个前景可观的工具，另一方面也成为金融领域最关键预测学科之一中的新型模型风险来源。
为什么行业需要更多合成灾害
灾难模型长期以来一直用于估算地震、飓风、洪水及类似事件的暴露。根据所提供的来源材料，这些基于物理的系统会把世界划分为网格单元，并求解包含重力、摩擦和流动等因素的方程。模型越详细，计算负担就越大。这迫使人们在空间分辨率、真实性和地理覆盖范围之间做出取舍。
如今，生成式 AI 正被用来突破这些限制。文章描述了建模者如何应用扩散模型，生成远多于现有气候模拟单独所能提供的天气事件。这对于罕见、影响巨大的灾害尤为重要，这类事件有时被称为尾部风险，因为真实世界的样本太少，难以支撑有把握的定价或投资组合分析。
在这种情况下，合成事件不只是便利工具。它们是在尝试用更广泛的可能结果分布，填补未来气候与灾难暴露中的“未知的未知”。如果这些合成情景可信，保险公司就能比稀少的历史数据更细致地测试资本充足率、承保策略和区域暴露。
企业如何使用这些模型
来源文本列举了几个例子。据报道，Swiss Re 的子公司 Fathom 用大约 1,000 年的现有气候模拟训练了一个扩散模型，随后用它为 2030 年的预测气候生成了更多天气情景。第二个模型则把初始输出从粗略的 100×100 公里分辨率提升到 10×10 公里，来源称这一水平足以捕捉降水模式。
这一工作流程表明采用的是一种混合架构：一个模型扩展情景空间，另一个模型提升可用的局部细节。就保险实践而言，这有助于弥合大尺度气候预测与物业级或区域级风险估计之间的差距，而承保决策正是在这一层面做出的。
文章还提到，Verisk 正在使用生成式 AI 将极端风和降雨同时建模，而不是按顺序建模。这一点很重要，因为相关联的灾害可能以更简单的建模流程容易遗漏的方式放大损失。与此同时，Moody's RMS 被描述为使用 AI 在野火和飓风之后分析卫星图像，以估算已投保损失。综合来看，这些例子表明 AI 并不局限于灾难分析的某一个阶段。它正在出现在情景生成、灾害相互作用建模以及事件后的损失评估中。
这里的幻觉问题有所不同
在消费级 AI 产品中，幻觉通常被视为令人烦恼的错误或事实偏差。但在灾难建模中，它们可能更危险，因为有缺陷的输出仍可能看起来在统计上或视觉上都令人信服。一个合成的洪水模式、风暴路径或降水场，可能对非专业人士而言看似合理，却违反了基本物理约束。
所提供文本中包含 Fathom 科学总监 Oliver Wing 的警告，他表示这些系统可能会产生“absolute slop”式的幻觉。这种说法直白，但抓住了核心挑战：外观上的真实感并不等同于对水文学、气象学或气候动力学的忠实反映。
这意味着验证标准必须异常严格。如果模型生成了大量内部不一致的合成事件，表面上的数据丰富可能会制造虚假的信心。用户可能以为自己看到了更丰富的风险图景，而实际上看到的只是模型伪影。
潜在收益，以及一个结构性激励问题
尽管存在这些警告，这项技术仍可能很重要。更好的灾难模型可能让保险公司在那些历史上长期服务不足的地区为风险定价，因为可用数据太少，或收集和计算成本过高。理论上，这可以改善脆弱地区获得保障的机会，并对不断变化的气候暴露做出更细粒度的评估。
但来源文本还指出了一个超出技术准确性之外的担忧：激励问题。如果模型输出会影响承保利润，企业可能更偏好那些给出更低预期损失、或让风险显得比实际更可控的系统。这并不意味着企业在故意滥用 AI，但它揭示了风险建模中本已存在、并可能被不透明生成式系统放大的结构性压力。
换句话说，挑战不仅在于模型能否很好地模拟灾害，还在于组织是否会采用足够强的治理，防止商业上诱人但可靠性不足的模型影响定价和承保决策。
接下来会发生什么
行业似乎正进入一个实验阶段：生成式 AI 将补充而非取代既有的灾难建模方法。就短期而言，这很可能是唯一可行的路径。基于物理的模型仍为灾害如何演变提供概念基础，而生成式系统则提供规模、速度以及探索更多假设未来的能力。
关键问题在于，这种组合能否变得可靠。如果研究人员和企业能够约束幻觉、实施以物理为基础的验证，并管理激励扭曲，生成式 AI 就可能有意义地扩展灾难分析。否则，该行业就有风险把旧的不确定性包裹进看上去更有说服力的输出中。
对于面对气候波动加剧世界的保险公司而言，这一差别至关重要。灾难建模一直是在高昂现实到来之前估算那些不太可能发生的事件。生成式 AI 也许能扩大这道预测视野，但前提是行业把“看起来合理”当作起点，而不是证据。
本文基于 The Decoder 的报道。阅读原文。
Originally published on the-decoder.com