炒作与历史连续性：将人工智能在气候和灾害风险建模中的崛起定位

研究背景与问题

• 发现的问题或挑战: 作者指出，灾害风险建模最初起源于保险行业，但随着技术和数据的发展，这些模型已被广泛应用于公共部门的决策。然而，作者质疑这些模型是否能充分反映社会复杂性和灾害对弱势群体的不平等影响。此外，人工智能（AI）的引入虽然承诺提高效率和精确性，但其可能进一步加剧偏见、缺乏透明性和不公平分配等问题。

• 重要性: 气候变化导致极端天气事件频率上升，这使得准确评估灾害风险对减少损害和促进公平变得愈加重要。如果现有模型及其算法继续忽视社会和地方性因素，可能会导致不公平的灾害管理政策。

• 研究动机与相关工作: 作者受到“风险治理”及历史性技术建模研究的启发，尝试通过历史视角探讨灾害风险模型如何受到保险逻辑的深远影响，进而剖析AI在此领域的应用是否能够真正推动公平政策，而非维持现有框架中的问题。

解决方案

• 提出的方法或解决方案: 作者通过“保险逻辑”的概念框架，分析灾害风险建模演变中的连续性，尤其是AI技术如何重塑现有灾害风险模型的“算计性”“金融化”“集体性”以及“管理性”。研究通过文档分析揭示风险模型在技术上和社会实践中的根源及其对当前AI应用的影响。

• 创新之处: 提出“保险逻辑”这一概念框架，从四个维度（计算性、金融化、集体性、管理性）对灾害风险模型及其演变进行系统性分析。这种框架不仅探讨技术本身，还阐释了与社会、经济和政治的嵌入关系，为公共部门灾害治理提供批判性视角。

• 实施步骤与关键技术:

  1. 编制分析框架，定义四种逻辑（计算性、金融化、集体性、管理性）。
  2. 通过文档分析研究模型技术标准、政策指导以及相关文本中久存的保险逻辑。
  3. 研究AI如何延续这些逻辑，并对其在灾害风险建模中的实际应用进行评价。

研究成果

• 具体成果: 作者发现，尽管灾害风险模型从保险业扩展到公共决策领域，模型的核心逻辑并未因技术升级或新用例而发生根本性变化。AI主要被用于提升现有技术的精确性和效率，而非解决结构性社会问题。作者定义了风险模型中的四个持久逻辑：

  1. 计算性: 风险被量化为概率和损失数据，忽略社会和文化复杂性。
  2. 金融化: 模型通常服务于金融市场或保险需求，而非灾害的实际风险降低。
  3. 集体性: 模型倾向于泛化，未考虑个体或地方性差异。
  4. 管理性: 风险治理由专家远程主导，偏向数据和模型的科学精确性。

• 与现有解决方案的比较及优势: 与其他关于AI在灾害风险管理领域的研究不同，作者提供了历史和结构性视角，揭示了风险建模如何固化现有实践并延续社会偏见。这些发现挑战了当前将AI视为“颠覆性”或“突破性”技术的常见叙述。

• 实验或评估结果: 通过历史案例分析，发现AI技术不过是对现有灾害风险模型逻辑的延续，主要用于验证或加固既有框架，而非进行范式转移。

• 局限性与未来方向:

  • 局限性: 研究基于历史案例及文档分析，可能未能全面涵盖所有灾害风险评估的地域性和方法上的差异。此外，部分数据和模型的专有性限制了对其细节的公开分析。
  • 未来方向: 探索AI在灾害风险模型中的真正创新潜力，深度评估参与式建模方法，以及调查如何改变现有技术和政策结构以实现更公平的灾害治理。

通过以上分析，作者不仅对AI的社会化应用保持批判，还为学者和技术实践者提供方法论工具，以揭示潜在问题并设计替代性解决方案。