美國洛斯阿拉莫斯國家實驗室的科學家們正在利用人工智能預測地震。

無數資金以及無數研究人員的科研生涯都奉獻給了預測下一次大地震將在何時何地發生。但地震預測與天氣預報不同，天氣預報通過使用更好的衛星和更強大的數學模型得到了顯著改善，而地震預測則因反復失敗而停滯不前。

全球最具破壞性的部分地震發生在地震危害性地圖（seismic hazard map）認為相對安全的地方，例如2008年的中國汶川地震、2010年的海地地震和2011年的日本地震。

現在，在人工智能的幫助下，越來越多的科學家表示，他們分析海量地震數據的方式發生了變化，這可以幫助他們更好地了解地震、預測地震的行為以及提供更快速、更準確的早期預警。

“我在職業生涯中第一次對我們能在這個問題上取得進展懷有真切的希望，”洛斯阿拉莫斯國家實驗室（Los Alamos National Laboratory）的研究人員保羅·約翰遜（Paul Johnson）表示，他在本研究領域處于前沿地位。

科學家們對于過去失敗的地震預測案例有著十分清楚的認知，因此，在被問及他們使用人工智能取得了多大進展時，他們總是持謹慎態度。該領域的部分人士將預測（prediction）稱為“P字”，因為他們甚至不想暗示它是可能的。但他們表示，其中一個重要目標是能夠提供可靠的預測。例如，地震危害性地圖上提供的地震概率具有至關重要的影響，特別是在指導工程師如何構造建筑物方面。批評者稱這些地圖非常不準確。

一份洛杉磯的地圖列出了地震在給定時間周期（通常為50年）內產生強烈震動的概率。此概率基于一個復雜的公式，該公式在其他因素以外，還將相對斷層的距離、斷層的一側移過另一側的速度以及該區域內的地震重復周期考慮在內。

美國地質調查局（United States Geological Survey）的地質學家凱瑟琳·M·施里爾（Katherine M. Scharer）主持了一項研究，該研究對可追溯到公元八世紀的圣安德列斯（San Andreas）斷層南加州部分之前發生的九次地震的日期進行了估算，圣安德列斯斷層上的最近一次大地震發生在1857年。

由于這些大地震之間的平均時間間隔為135年，然而地震之間的時間間隔十分多變（從44年到305年），取平均值并不是非常有用的預測工具。大地震可能會在明天發生，也可能會在一個半世紀或更長時間以后發生。這正是加州大學伯克利分校（University of California， Berkeley）數學和物理科學系副院長菲利普·史塔克（PhilipStark）的批評意見之一。史塔克博士將整個地震概率系統稱之為“介于無意義和誤導之間”，并呼吁將其廢棄。

與人工智能相關的新地震研究依賴于神經網絡，正是這種技術加速了從語音數字助理到無人駕駛汽車等各方面的進步。神經網絡對人腦中的神經元網絡進行松散建模，它是一個復雜的數學系統，可以自行學習任務。

科學家表示，地震數據與谷歌和亞馬遜等公司用于訓練神經網絡識別Alexa等家用數字助理所接收的語音命令的音頻數據非常相似。在研究地震時，由計算機尋找海量數據中的模式，而不是依靠科學家疲憊的雙眼進行尋找。

“我們擁有的是一系列的地動測量數據，而不是一系列的單詞，”加州理工學院（California Institute of Technology）地震學實驗室（Seismological Laboratory）的研究人員扎卡里·羅斯（Zachary Ross）說道，他正在探索這些人工智能技術。“我們正在尋找這些數據中的同類模式。”

在處于人工智能研究前沿地位的谷歌公司休完假后，哈佛大學地球與行星科學系教授布倫丹·米德（Brendan Meade）開始探索這些技術。他的第一個項目表明，這些機器學習方法至少可以大幅加速他的實驗。他和他的研究生使用神經網絡運行地震分析，速度比過去快500倍。過去需要幾天時間才能完成的分析現在只需要花費幾分鐘時間。

米德博士還發現，這些人工智能技術可以帶來新的見解。2018年秋天，他與來自谷歌和哈佛大學的其他研究人員一起發表了一篇論文，展示了神經網絡如何預測地震余震。他認為，這種項目代表了地震科學研究方式的巨大轉變。類似的工作正在加州理工學院和斯坦福大學等機構開展。羅斯博士說道：“我們正處于技術可以做得和人類專家一樣好，甚至做得比人類專家更好的轉折點。”

人們之所以持謹慎樂觀態度是因為他們相信：隨著傳感器變得越來越小和越來越便宜，科學家們將能夠收集更多的地震數據。借助神經網絡和類似的人工智能技術，他們希望從所有這些數據中收集新的見解。

羅斯博士和加州理工學院的其他研究人員正在利用這些技術建立能夠在地震發生時進行更加準確的識別，并預測震中位置和震動蔓延方向的系統。日本和墨西哥都有早期預警系統，加利福尼亞州則剛剛推出了自己的早期預警系統。但科學家表示，人工智能可以極大地提高其準確性，幫助預測地殼破裂的方向和強度，并向醫院和其他能夠從幾秒鐘的額外準備時間中獲益的機構提供早期預警。“你擁有的細節越多，你的預測就越精確，”羅斯博士說道。

從事這些項目的科學家表示，神經網絡有其局限性。盡管它們擅長在數據中發現熟悉的信號，但它們并不一定適合尋找新類型的信號，例如構造板塊研磨在一起時發出的聲音。

但在洛斯阿拉莫斯，約翰遜博士及其同事已經證明，一種稱為“隨機森林”（random forest）的機器學習技術可以識別實驗室內創建的模擬斷層中之前未知的信號。在一個案例中，他們的系統表明，由斷層制造但科學家之前認為毫無意義的某個特定聲音實際上是地震何時到來的指示。

東京大學（University of Tokyo）地震學家羅伯特·蓋勒（Robert Geller）等部分科學家不相信人工智能將改善地震預測。他質疑過去的地震可以預測未來的地震這一前提。最后，他表示，只有在我們可以超出隨機范圍預測地震何時發生時，我們才能知道人工智能預測的效果到底如何。“沒有捷徑可走，”蓋勒博士說道。“如果你無法預測未來，那么你的假設就是錯的。”