許歡：如何以人工智能應急大模型賦能現代化應急管理？

來源 | 人民論壇網-學術前沿雜志

轉載請注明來源

近期，多省份迎來強降雨過程，防汛形勢嚴峻復雜。“十五五”規劃綱要提出，“完善應急管理體系”，“加快數智技術創新，深化拓展‘人工智能＋’，賦能經濟社會發展和治理能力提升”。人工智能應急大模型的興起，為應急管理的風險感知方式、知識組織方式、組織協同方式和制度運行方式帶來深層變化。如何以人工智能應急大模型賦能現代化應急管理？推薦閱讀清華大學社會治理與發展研究院應急工程正高級工程師許歡在《學術前沿》雜志的刊文。

核心觀點速覽

• 人工智能應急大模型賦能國家應急管理體系和能力現代化，不僅提升應急信息處理效率，更推動風險感知、情景推演、協同調度、公眾溝通和深度學習等關鍵環節的系統重構。

• 只有堅持統籌發展和安全、統一創新與規范、兼顧效率與公平、強調人機協同而非機器替代，才能真正把人工智能應急大模型的技術潛力，轉化為國家應急管理體系和能力現代化建設的現實能力。

我國應急管理體系面臨的新議題

“十五五”時期，我國應急管理面對的安全環境、風險結構與治理對象都在發生深刻變化。例如，氣候變化背景下極端天氣事件明顯增多，超大城市、城市群和關鍵基礎設施網絡的高度耦合，使局部風險更容易演化為區域性、鏈條化和系統性風險；數字技術使信息擴散、情緒傳導與輿情放大速度有所提升，也使突發事件的社會影響半徑持續擴大。在傳統意義上，自然災害、事故災難、公共衛生事件和社會安全相對清晰的風險邊界，不斷相互交織、相互疊加，更易誘發復合型風險。

從治理實踐看，首先，這一變化表現為應急管理對象的變化。過去，應急管理更多針對某一類災害、某一類事故或某一類局部性事件展開分類處置；現在，一次強降雨可能同時涉及山洪、地質災害、城市內澇、交通癱瘓、地下空間淹沒、生命線工程受損，以及網絡輿情發酵等應急管理工作；一次危化品事故也可能疊加人員傷亡、生態風險、區域疏散、供應鏈中斷和社會恐慌等多重后果。風險越來越呈現為多源觸發、跨域傳導、系統耦合、鏈式放大等復合性過程。其次，這一變化重塑應急管理時間邏輯。傳統應急管理側重災中響應與災后恢復，以“快速反應”為主要目標；而在復雜風險條件下，僅靠災后處置難以支撐高質量應急管理。風險識別、預警研判、資源預置、制度準備和公眾教育的前移，日益成為現代應急管理的基本要求。換言之，應急管理已不能被簡單理解為災害事件發生后的處置體系，而應被理解為覆蓋風險監測、應急準備、監測預警、處置救援、評估恢復的全過程治理體系。再次，風險環境的變化折射出傳統治理方式的現實局限性。近年來，我國應急管理體制改革持續推進，應急管理部組建后，“大應急”框架基本形成，綜合協調、統一指揮、統籌救援和系統治理能力顯著增強。與此同時，現實中不同程度存在體系性協同與適配不足問題。例如，前端監測感知越來越豐富，但后端知識調用和智能研判能力仍顯不足；信息系統越來越多，但跨部門、跨層級、跨業務協同聯動仍不夠順暢；預案體系越來越完整，但靜態預案與動態情境之間仍存在適配性不足；基層承擔大量前期風險發現和先期處置任務，但后期專業支撐、智能輔助和救援能力均衡化水平仍待提高等，這些都對應急管理體制改革提出更高要求。

從更深層次看，上述問題反映的不只是技術供給不足，更是治理體系與風險復雜性之間的結構性錯位。傳統數字化系統擅長記錄、匯集和展示信息，卻不一定擅長對信息進行綜合理解、推理研判和組織行動；其能夠讓管理者“看到更多”，卻未必幫助其“理解更深”；其能夠讓信息“傳得更快”，卻不一定能夠支撐高質量決策。因此，應急管理體系和能力現代化正從“有沒有系統、有沒有平臺”的階段，進入“能否形成高質量認知、能否支撐復雜決策、能否實現敏捷協同”的新階段。

在這一背景下，以大語言模型、多模態模型、檢索增強生成和智能體系統為代表的新一代人工智能技術，開始進入公共安全治理和應急管理研究視野。其不僅是更高效的內容生成工具，還在更深層次上觸及現代應急管理關鍵瓶頸，包括如何從海量信息中快速形成結構化判斷，如何把分散性知識轉化為可調用能力，如何在高壓力和高不確定性環境下，提升應急管理研判質量與組織效率，如何把不同部門分工真正組織成高效協同鏈條等。本質上，人工智能應急大模型應用不是單純的技術問題，而是一個兼具技術創新、制度創新、組織創新與治理創新屬性的綜合性議題。我們既要看到其所帶來的能力增益，也必須正視其嵌入高風險公共治理場景后產生的責任邊界、安全要求和倫理約束。

人工智能應急大模型的應用場景

人工智能應急大模型的技術價值最終通過場景體現，對于應急管理而言，大模型不可能一開始就全域替代、全能覆蓋，而應重點圍繞高頻、高價值、強需求場景，逐步形成穩定能力，再由點及面推動體系升級。

災害風險監測預警場景。傳統預警以閾值觸發為主，應對單因素場景較為有效，但面對復合型、鏈條型和情景型風險時，單一指標往往難以支撐高質量決策。人工智能應急大模型可融合氣象、水文、地形地貌、人口分布、交通網絡、遙感影像和歷史災情等多源信息，推動預警從“指標預警”升級為“情景預警”。其不僅提示風險等級，還能進一步回答危險區域、脆弱群體、行動建議和時間窗口等關鍵問題，從而增強預警的行動導向性。

事故災難專業處置場景。在危化品、礦山、燃氣、消防、橋梁、隧道和大型活動等領域中，事故處置高度依賴專業知識。大模型可通過調用危險源特性、專業規范、歷史案例和裝備參數，輔助一線人員形成警戒范圍建議、現場救援方案、隔離控制措施、人員疏散路線和現場風險提示，幫助一線人員在高壓條件下迅速掌握關鍵知識。尤其在基層事故災難處置專業力量不足、信息檢索時間緊迫的情況下，這種深入分析能力具有較高實用價值。

應急指揮調度與會商研判場景。指揮中心的關鍵任務，不是簡單接收信息，而是從動態變化的信息流中形成統一認知、清晰命令和閉環執行。人工智能應急大模型能夠對現場報告、監測數據、部門材料、會商意見和輿情動態進行快速整合，生成態勢摘要、問題清單、處置建議和任務提示，從而提升會商效率和調度精度。對于基層值班值守機構而言，這種能力尤其重要，其有助于降低基層的信息整理成本和認知負擔。

城市生命線與韌性城市治理場景。當前，城市安全治理越來越強調對供水、排水、燃氣、電力、通信、橋梁、隧道和綜合管廊等基礎設施系統的綜合認知與協同治理。這些系統之間具有明顯耦合性，一處故障可能觸發連鎖后果。人工智能應急大模型可與城市運行監測平臺、時空信息平臺和數字孿生系統結合，輔助識別脆弱性節點、推演故障鏈條并評估次生影響，推動城市安全治理由事后修復向事前預防轉變。

基層應急管理與一線輔助場景。基層是風險發現和先期處置的第一現場，也是當前我國應急能力建設中最薄弱、最關鍵的環節。鄉鎮、街道、社區、園區和企業基層管理者，往往面臨任務繁重、專業能力不足、數字技術不均衡等現實壓力。人工智能應急大模型可通過輕量化方式嵌入移動終端和基層業務系統，形成“可詢問、可提示、可輔助、可培訓”的智能助手，從而有效提高基層風險發現、信息上報、初期處置和群眾宣傳的質量。

公眾溝通、輿情研判與社會協同場景。在社交媒體高度普及的環境中，突發事件不僅有物理沖擊，也有認知沖擊和情緒沖擊。人工智能應急大模型可輔助生成多版本預警信息、分群體避險指南、辟謠文稿、問答手冊和心理安撫提示，并通過公開信息語義分析，識別輿情焦點、謠言傳播節點和公眾關切熱點，從而增強信息發布的準確性、及時性與溫度感，提升政府與公眾之間的協同效率與信任基礎。

7月6日，救援人員在廣西南寧橫州市校椅鎮平山村轉移群眾。黃云 攝（人民視覺）

人工智能應急大模型系統化落地的關鍵維度

人工智能應急大模型能否從技術概念轉化為治理能力，關鍵問題不是上線多少應用，而是能否形成可持續、可復制、可評估、可擴展的能力體系；推進路徑不是“建一個模型、做幾個場景”，而是推動技術底座、知識工程、組織流程、制度規則和人才建設共同演進，形成的系統工程。

以國家統籌為牽引，構建分層分域的總體架構。應急管理具有鮮明的公共性、系統性和底線性，如果各地各部門各自建設、重復訓練、接口不通，不僅會造成資源浪費，也容易帶來標準碎片化、數據孤島化和責任模糊化。推進人工智能應急大模型，首先要解決頂層架構問題。較為合理的路徑是，形成“通用底座—知識中臺—場景智能體—終端應用”的分層體系。“通用底座”是在國家統一安全要求和自主可控要求下，建設具備語言理解、多模態融合和復雜任務分解能力的基礎模型與算力體系；“知識中臺”是將法規標準、案例庫、預案庫、資源庫和職責庫，組織為統一知識底座；“場景智能體”是圍繞防汛、消防、危化、基層值守、城市生命線等具體場景，形成的智能能力單元；“終端應用”則是部署到指揮中心、基層終端、業務平臺和公眾服務端的實際工具。通過這種分層設計，既能夠統籌應急管理共性能力，又能夠保障應用場景靈活適配。

以高質量數據治理為基礎，建設可用、可信、可管的應急數據治理體系。沒有高質量數據治理，應急智能化就只能停留在概念層面。數據是模型運行的基礎，對于應急場景而言，數據治理的關鍵不在于其數量多寡，而在于其權威性、時效性、準確性、可共享性和可追溯性。推進人工智能應急大模型應用，必須首先回答“哪些數據可以進入模型、如何進入模型、誰有權使用、如何確保數據質量”等基礎問題。一方面，要建立跨部門、跨層級、跨區域的數據目錄與分類分級體系，明確監測預警數據、風險普查數據、資源調度數據、案例數據、輿情數據和公眾服務數據的屬性邊界。另一方面，要完善數據采集、清洗、標注、更新與質量評估機制，使原本結構不一、口徑不一、標準不一的數據，均能夠服務于模型訓練和推理。此外，還要強化數據安全與授權使用機制，特別是對涉及個人隱私、關鍵基礎設施運行和重要業務調度的信息，要堅持最小必要、分級授權、全程留痕和審計追溯原則。

以知識工程為中樞，構建應急管理專業知識底座。如果說數據決定模型“看得到什么”，那么知識工程決定模型“理解成什么”。應急管理是一項高度依賴專業知識、規范邊界和情景經驗的工作，僅靠通用語料訓練出的模型，很難真正適配高風險公共治理場景。因此，推進應急大模型必須把知識工程置于中樞位置。一要系統梳理應急領域知識類型，包括法律法規、國家標準、行業規范、應急預案、作業規程、裝備參數、危險源屬性、歷史案例、職責分工和空間信息等知識。二要推動知識表達結構化，把原本散落于文本中的規則關系、流程關系和案例關系，轉化為圖譜、模板和規則，以便模型調用。三要通過檢索增強生成、規則引擎和人工反饋機制，增強模型專業邊界感，減少幻覺輸出和越權建議。四要面向不同風險場景建設專業子知識庫，如洪澇災害知識庫、危化處置知識庫、礦山安全知識庫和城市生命線知識庫等，以提升場景匹配度和專業準確率。

以典型場景為抓手，推動人工智能應急大模型“試點驗證—模型迭代—標準沉淀—復制推廣”的漸進式落地。人工智能應急大模型走向實際應用，應堅持場景牽引、分步推進。較為穩妥的推進方式，是圍繞需求明確、數據基礎較好、組織接口相對清晰的場景，開展首批試點驗證，如防汛會商輔助、基層值班值守、災情信息匯總、預警文案生成、預案問答、資源調度輔助等。試點的目的，不只是展示模型應用能力，更是通過真實業務檢驗其邊界與缺陷。試點過程中應建立量化評估機制，不僅評估其生成速度和表達質量，還要評估其正確率、合規性、可解釋性、對流程的改善程度，以及對工作負擔的實質減輕程度等，并在此基礎上對模型進行迭代。通過試點中積累的接口規范、知識模板、評測指標和使用規則，逐步將標準沉淀為大模型可復制能力模塊，再向更復雜、更高風險場景推廣。這種漸進式路徑，符合應急管理高風險治理規律，也更有利于形成組織信任。

以業務流程重塑為關鍵，推動模型從“輔助工具”走向“內嵌能力”。一些智能化項目成效有限，并非技術本身不強，而是因為模型停留在展示層、問答層和材料生成層，并未真正進入業務主鏈。要形成真實治理能力，必須把模型嵌入信息報送、研判會商、任務分解、資源調度、信息發布和復盤總結等關鍵流程節點。例如，在值班值守環節，模型不僅要回答問題，還要自動歸并多源上報信息并提示關鍵缺口；在會商研判環節，模型不僅要整理材料，還要輔助識別爭議點和比較備選方案；在調度執行環節，模型應能把復雜指令拆解為任務清單并跟蹤執行反饋；在復盤環節，模型應能夠抽取關鍵節點、形成問題清單和改進建議。流程重塑的本質，是讓模型服務于治理鏈條，而不是讓治理鏈條遷就模型能力。

以標準規范和評測體系為保障，建立人工智能應急大模型全生命周期治理機制。人工智能應急大模型要走得穩，必須建立配套的標準與評測體系。這不僅關系應急管理體系的技術質量，更關系到制度信任。沒有標準，就無法比較不同模型優劣；沒有評測，就無法判斷模型是否適用于高風險場景；沒有生命周期治理，就無法確保模型在更新迭代中不偏離公共安全底線。人工智能應急大模型應建立四類標準：一是數據標準，如數據的采集、清洗、標注、更新、共享和脫敏標準等；二是知識標準，如知識表達、規則抽取、案例模板和更新機制等；三是模型標準，如模型的準確率、魯棒性、可解釋性、容錯性、公平性和安全性等；四是應用標準，如模型在不同風險等級場景下的準入要求、人工審核要求、日志留痕要求和責任確認流程等。同時，應建立實戰化評測、壓力測試和第三方評估機制，將模型置于真實或準真實場景中，檢驗其在信息沖突、極端輸入和時間壓力條件下的表現。

以復合型人才培養和組織適配為支撐，形成長期能力供給體系。任何智能化轉型最終都要落實到人。應急大模型建設不是純技術工程，而是組織能力工程、人才工程和制度工程的統一。一方面，要培養既懂應急管理規律，又懂人工智能方法，同時理解公共政策、數據治理和組織協同的復合型人才。高校、科研機構、企業和實戰部門應共同推動交叉培養、聯合實踐和案例教學。另一方面，要持續提升干部數字素養和基層實戰能力，使一線人員具備理解模型輸出、識別模型邊界和對模型進行人工修正的能力。還要通過制度安排推動組織文化適配，使各層級使用者真正理解大模型“是增強，不是替代”“是支持，不是免責”的基本使用原則。

以平戰結合和持續迭代為原則，構建動態進化的應急管理能力生態。應急管理具有鮮明的平戰結合特征，許多能力并不是在災時臨時生成，而是在平時的風險排查、應急演練、案例學習、宣傳培訓和預案優化中逐步積累形成。推進人工智能應急大模型，不能只把其視為災時工具，而應將其嵌入平時治理，形成常態化使用、持續性反饋和不斷進化的能力生態。風險環境在變化，制度規則在更新，裝備體系在發展，公眾溝通方式也在演變，應急大模型如果停留在“一次訓練、長期不變”的狀態，很快就會失去對環境的適配性。因此，必須建立知識更新機制、用戶反饋機制、錯誤糾偏機制和模型迭代機制，形成“使用—反饋—修正—再使用”的持續進化閉環，使應急大模型成為面向未來的動態能力系統。

人工智能應急大模型的風險防范

越是具有戰略價值的技術，越需要有邊界意識。應急管理是涉及生命攸關、責任密集、信任敏感的公共治理領域，任何智能化工具的使用都必須服從公共安全底線、責任倫理和制度秩序。因此，我們要對人工智能應急大模型使用中可能存在的風險和問題，科學設置技術約束和制度規范。

警惕模型幻覺與事實錯誤。大模型的典型風險之一，表現為輸出內容在語言上高度流暢，卻在事實層面存在偏差。在應急場景中，一處錯誤地點、一條錯誤路線、一項錯誤判斷，均可能直接影響生命安全。因此，模型輸出內容絕不能直接替代指揮命令和專業結論，必須經過事實核驗、知識校正和人工審核。

注意算法偏差與治理公平。模型訓練數據往往帶有歷史偏差、地域偏差、樣本偏差和表達偏差。如果這種偏差滲入應急管理過程，則可能導致對一些偏遠地區、小概率場景、特殊群體和非標準表達的信息識別不足、響應不足，從而損害治理公平。應急管理追求的不是平均意義上的準確，而是在關鍵場景、關鍵群體和關鍵時刻都盡可能可靠。

強調責任歸屬與決策合法性。應急管理的主要特征之一，是責任鏈條必須清晰。模型可以提供建議，但不能成為責任主體。若一線人員機械采納模型輸出意見而缺乏責任確認，則容易形成“建議來自系統、執行來自組織、后果無人承擔”的困境。因此，必須堅持“由人授權”原則，即關鍵決策、關鍵發布和關鍵調度，必須由具備法定職責和組織授權的人員作出。

重視數據安全、隱私保護與網絡安全。對應急管理而言，安全不是附屬要求，而是前提條件。人工智能應急大模型涉及大量敏感數據，既包括個人位置、求助信息和健康信息，也包括關鍵基礎設施運行參數、現場視頻和調度指令。若在數據采集、訓練、調用和共享過程中缺乏嚴格制度約束，則可能帶來公眾隱私泄露、數據濫用和系統攻擊等風險。

警惕技術依賴與專業能力退化。智能系統越好用，使用者就越容易產生依賴心理。如果長期依賴模型完成判斷、總結和推理，一線人員則可能出現專業敏感性下降、現場感知能力不足和臨機判斷能力弱化等問題。應急管理是一項高度依賴責任倫理、現場經驗和組織能力的工作。技術應當增強人的能力，而不是替代人的能力，更不能消解人的責任。

警惕組織惰性與制度失衡。模型可能在組織內部制造新的惰性，是一種常被忽視的風險。如果一些部門把大模型視為替代思考的工具，反而會削弱原本應強化的組織能力、專業隊伍建設和制度供給。因此，在推進人工智能應急大模型時，必須同步推進相應的制度完善、隊伍建設和資源投入，不能形成“重技術、輕組織，重平臺、輕能力”的失衡傾向。

7月5日，消防救援隊隊員在貴州省黔西市洪水鎮野紀河逢水河段開展河堤巡查。新華社發（范暉攝）

人工智能應急大模型的發展路徑

政策建構是人工智能應急大模型從技術能力走向制度能力的關鍵環節。與一般產業應用不同，人工智能應急大模型面對的是高敏感、高責任、高要求的國家安全能力建設領域，因此，其政策體系不應僅停留在宏觀層面，還應形成兼具戰略性、系統性、可操作性與可監管性的制度安排。

將人工智能應急大模型納入國家安全體系。在戰略定位上，應從國家層面明確人工智能應急大模型的角色定位，將其視為國家安全體系的重要組成部分，而非一般政務數字化項目。這一定位決定了資源投入方式、建設責任機制和安全治理等級，避免地方化、碎片化和短周期化建設傾向。在政策制定上，應建立中央統籌、部門協同、地方實施、場景牽引的總體推進機制。國家層面重點負責總體規則、重大標準、共性底座、示范工程和安全監管；地方層面負責結合本地風險特征和治理需求，開展場景適配和能力落地。通過縱橫協調機制，形成全國統一框架下的人工智能應急大模型差異化實施格局。

完善自主可控導向下的關鍵技術攻關體系。應急管理具有強安全屬性和強連續運行要求，這決定了其相關模型、算力、基礎軟件和安全組件，必須盡可能實現自主可控。政策上，應圍繞多模態融合、復雜情景推理、邊緣部署、低時延響應、可信解釋、對抗魯棒、安全防護和智能體協同等關鍵能力，組織高校、科研機構、龍頭企業和一線部門聯合攻關，形成“技術研發—場景測試—制度反饋”的協同創新體系。特別是，技術攻關不能脫離場景，若技術路線與實際應急需求脫節，則容易導致“實驗室先進、實戰中無用”的問題。因此，國家科研項目、重大專項和示范工程都應把真實應急場景作為重要牽引條件，把技術性能與場景適配性作一體性評估。

建設國家應急數據治理與知識資源公共平臺。當前，大量有價值的應急知識和案例資源仍分散在不同地區、不同部門和不同系統中，它們之間缺少統一整合、結構化加工和規范共享。若不解決這一問題，模型建設就容易停留在局部訓練、局部應用、局部見效的階段。政策上，應推動建設國家層面應急數據治理與知識資源公共平臺，重點整合災害事故案例庫、法律法規，與標準規范庫、預案制度庫、裝備能力庫、風險點庫和空間知識庫。與此同時，還應建立統一的數據接口規范、共享規則和質量評估制度，使資源能夠在不同地區、不同部門、不同場景的統一框架中，實現互通。公共平臺不僅用于集中數據，還用于形成國家級智能治理知識底座，為多層級、多場景應用提供穩定支撐。

實施重點場景示范工程，打造可復制制度樣板。高風險領域技術應用，必須通過真實場景驗證其價值與邊界。因此，政策建構應采取“重點突破、示范帶動”的方式，圍繞防汛抗旱、地震災害、森林草原火災、危化品安全、城市生命線、基層值班值守和公眾預警服務等重點領域，組織建設一批國家級和區域級示范工程。示范工程不僅可以展示技術，還可以形成可復制制度樣板。一個成熟的示范項目，應同時包含技術架構、流程設計、知識庫建設、權限管理、人工審核、應急預案嵌入方式、成效評估方法和責任邊界安排等內容。只有把這些要素匯總分析，示范經驗才能真正被復制推廣，而不只是停留在個別項目層面。

建立分級分類準入制度與第三方評測制度。人工智能應急大模型必須建立分級分類準入制度，根據不同場景的風險等級、決策敏感度和后果嚴重性，設定其不同準入要求和使用邊界。例如，在一般性信息整理、宣傳文本生成和培訓輔助場景中，可適當放寬其準入條件；而在預警研判、現場調度、疏散建議和資源配置等高敏感場景中，則必須實行更嚴格的測試、審批和人工審核要求。同時，應建立獨立第三方評測制度。第三方評測不只測試正常條件下的表現，還應測試模型在信息沖突、極端輸入、惡意誘導、數據缺失和時間高壓條件下的穩定性。通過持續評測、壓力測試和周期性審計，形成模型的更新、降級和退出機制，防止不成熟、不穩定和不安全的模型進入關鍵治理環節。

構建高風險人工智能治理規則體系。應急大模型的政策制度，應針對高風險公共治理場景，構建包括數據合規、算法備案、安全審查、人工審核、日志留痕、結果可追溯、責任認定和錯誤糾偏在內的完整規則體系。這一規則體系至少應明確三個基本問題：第一，什么場景可用，什么場景慎用，什么場景禁用；第二，誰有權調用，誰有權審核，誰有權發布；第三，出現錯誤后如何追責，如何糾偏，如何修復。只有把這些問題制度化，才能將模型應用納入法治軌道和治理秩序中。

強化基層導向，推動智能化能力向一線下沉。政策建構不能只面向高層指揮中心和大城市平臺，還必須明確“向基層傾斜、向一線下沉”的導向。應急管理最真實、最持續的壓力，往往發生在鄉鎮街道、村居社區、園區企業和基層隊伍中。如智能化能力只停留在上層平臺，則容易出現“上面看得清楚，下面干得吃力”的問題。因此，應通過財政支持、設備配套、平臺輕量化部署、移動終端接入，和基層培訓等政策工具，把人工智能應急大模型送到基層一線。應重點支持基層在信息報送、風險巡查、預案查詢、演練輔助、公眾宣傳和會商支撐等方面，使用智能化工具，使基層的治理模式逐步由單純經驗依賴型向“經驗＋智能支撐”型轉型。

推動人才、組織與制度協同變革。高質量政策建構不能只圍繞技術本身，還必須同步推動人才制度、組織流程和管理理念更新。政策上應鼓勵高校設置“應急管理＋人工智能＋公共政策”交叉培養方向，支持科研機構與實戰部門聯合建立實踐基地，形成產學研用結合的人才培養體系。同時，在干部培訓、崗位設置、績效評價和跨部門協同機制上作出制度安排。例如，可將數字能力、數據治理能力、模型風險識別能力和智能工具使用能力，納入相關崗位培訓體系；可建立跨部門智能治理支撐專班，把模型應用成效與合規情況納入項目評價和部門考核。只有人才、組織與制度同步變革，技術能力才能穩定嵌入治理體系。

堅持開放合作與國際規則參與相結合。對我國而言，技術能力重要，規則塑造能力同樣重要。在全球人工智能治理和災害風險治理加速演進的背景下，我國推進人工智能應急大模型應用，要保持適度開放與國際合作視野。對外合作的重點，不僅是技術引進，更要提升我國在應急大模型上的國際影響力，以及我國在高風險場景下標準交流、評測合作、案例共享和規則對話中的話語權。我國應積極參與國際減災治理、公共安全治理和人工智能治理相關平臺工作，推動我國在高風險人工智能治理、應急智能化標準和跨境災害協同方面，形成更強的規則供給能力。

上文略有刪減

選自 |《學術前沿》雜志 2026年第11期

原標題 | 以人工智能應急大模型賦能現代化應急管理

作者 | 清華大學社會治理與發展研究院應急工程正高級工程師 許歡

新媒體編輯 | 王思楠 常宇峰

原文責編 | 石晶

人民論壇新書上架

古代中國治世經緯叢書

正式發售

真實史料 + 故事化敘事

全景拆解古代中國治世智慧