科學家改造語音識別 AI 解讀地震活動，從中發現未來有助于預測地震的模式。

原本用于語音識別的 AI，如今正在解讀地震的“語言”。

美國洛斯阿拉莫斯國家實驗室地球與環境科學部的一個研究團隊改造了 Meta 的語音識別AI 模型 Wav2Vec-2.0，將其用于分析 2018 年夏威夷基拉韋厄火山崩塌期間的地震信號。

他們的研究成果已經發表在《自然-通訊》（Nature Communications）上。該研究表明，斷層位移時會發出獨特的信號，而其中蘊含的模式現在可通過 AI 實時追蹤。雖然這并不意味著 AI 能預測地震，但這項研究為理解斷層在滑動前的行為邁出了重要一步。

該研究項目的首席研究員之一 Christopher Johnson 解釋道：“地震記錄是通過聲學方式測量穿過固態地球的地震波。從信號處理的角度來看，音頻和地震波形分析都用到了很多類似的技術?！?/p>

研究團隊使用 2018 年夏威夷基拉韋厄火山口崩塌事件的數據測試了這個 AI 模型。該事件引發了持續數月的地震，并重塑了火山地貌。在 2020-2021 年噴發期間，哈雷茂茂火山口的熔巖湖正是基拉韋厄火山持續活躍的鮮明例證。（

大地震不僅撼動地面，也會顛覆經濟。過去五年間，日本、土耳其和美國加州的地震已造成數百億美元的損失，并導致數百萬人流離失所。

這正是 AI 的用武之地。在 Christopher Johnson、Kun Wang 和 Paul Johnson 的帶領下，洛斯阿拉莫斯國家實驗室的這個研究團隊測試了語音識別 AI 能否解讀斷層移動，就像解析句子中的詞匯一樣破譯大地的微小震動。

為驗證他們的方法，該團隊使用了 2018 年基拉韋厄火山口劇烈崩塌事件的數據。該事件在三個月內引發了一系列地震。

AI 分析地震波形并將其映射到實時的地表活動，結果表明，斷層可能以類似人類語言的模式“發聲”。

Wav2Vec-2.0 等語音識別模型非常適合此類任務，因為它們擅長識別復雜的時序數據模式，無論是人類語音還是地球的微小震動。

該 AI 模型的表現優于梯度提升樹等傳統方法，后者難以處理不可預測的地震信號。梯度提升樹按順序構建多個決策樹，通過逐步修正誤差以提高預測精度。

然而，梯度提升樹模型難以處理地震波形等高度可變的連續信號。相比之下，Wav2Vec-2.0 等深度學習模型在識別潛在模式方面更具優勢。

AI 如何學會傾聽地球發出的信號

與此前需手動標注訓練數據的機器學習模型不同，研究人員采用自監督學習方法訓練 Wav2Vec-2.0。該模型首先使用連續地震波形進行預訓練，再利用基拉韋厄火山口崩塌序列的真實數據進行微調。

NVIDIA 加速計算在并行處理海量地震波形數據時發揮了關鍵作用。高性能的NVIDIA GPU加速了訓練過程，使 AI 能夠高效地從連續地震信號中發現有意義的模式。

尚未解決的難題：AI 能預測地震嗎？

盡管 AI 在實時追蹤斷層位移方面展現出潛力，但在預測未來位移方面效果較為遜色。在嘗試訓練模型進行短期預測（即要求其在斷層滑動之前做出預測）時，結果尚不明確。

Christopher Johnson 解釋道：“我們需要擴展訓練數據，納入來自其它地震網絡的連續數據，這些數據包含更多各式各樣的自然信號和人為信號。”

邁向更智能的地震監測

盡管在預測方面仍面臨挑戰，但這些研究成果標志著地震研究領域的一次突破。此項研究表明，專為語音識別設計的 AI 模型可能特別適合解讀斷層不斷產生的復雜位移信號。

Christopher Johnson 表示：“這項針對構造斷層系統的研究仍處于早期階段。目前的成果更接近實驗室實驗數據，而非復發周期更長的大型地震斷層帶。要想擴展這些研究成果以便在真實世界中進行預測，還需結合物理約束條件進一步開發模型?！?/p>

因此，基于語音的 AI 模型目前尚無法預測地震。但這項研究表明，如果科學家能教會它們更仔細地“傾聽”，它們未來或許可以預測地震。