许欢，清华大学社会治理与发展研究院应急工程正高级工程师。研究方向为公共安全治理、应急管理现代化、数字治理与人工智能治理，主要著作有《新时代公共安全理论与实践丛书》（编著）、《中国应急管理发展研究2020》（合著）等。
摘要：我国应急管理体系面临风险复合化、灾害链条化、城市系统耦合化和数字技术广泛嵌入的新变化，应急管理体系正由事件响应型治理，加快转向全域风险系统性防控治理。人工智能应急大模型赋能国家应急管理体系和能力现代化，不仅提升应急信息处理效率，更推动风险感知、情景推演、协同调度、公众沟通和深度学习等关键环节的系统重构。应急大模型具有基础设施属性、制度嵌入属性与公共价值属性。只有坚持统筹发展和安全、统一创新与规范、兼顾效率与公平、强调人机协同而非机器替代，才能真正把人工智能应急大模型的技术潜力，转化为国家应急管理体系和能力现代化建设的现实能力。
《中华人民共和国国民经济和社会发展第十五个五年规划纲要》提出，“完善应急管理体系”，“加快数智技术创新，深化拓展‘人工智能＋’，赋能经济社会发展和治理能力提升”。当前，我国自然灾害、事故灾难、公共卫生、社会安全等方面的公共安全形势依然严峻复杂。习近平总书记指出，“强化国家安全工作协调机制，完善国家安全法治体系、战略体系、政策体系、风险监测预警体系、国家应急管理体系”。人工智能应急大模型的兴起，为应急管理的风险感知方式、知识组织方式、组织协同方式和制度运行方式带来深层变化，是应急管理体系和能力现代化建设与平安中国建设的重要技术支撑。
我国应急管理体系面临的新议题
“十五五”时期，我国应急管理面对的安全环境、风险结构与治理对象都在发生深刻变化。例如，气候变化背景下极端天气事件明显增多，超大城市、城市群和关键基础设施网络的高度耦合，使局部风险更容易演化为区域性、链条化和系统性风险；数字技术使信息扩散、情绪传导与舆情放大速度有所提升，也使突发事件的社会影响半径持续扩大。在传统意义上，自然灾害、事故灾难、公共卫生事件和社会安全相对清晰的风险边界，不断相互交织、相互叠加，更易诱发复合型风险。
从治理实践看，首先，这一变化表现为应急管理对象的变化。过去，应急管理更多针对某一类灾害、某一类事故或某一类局部性事件展开分类处置；现在，一次强降雨可能同时涉及山洪、地质灾害、城市内涝、交通瘫痪、地下空间淹没、生命线工程受损，以及网络舆情发酵等应急管理工作；一次危化品事故也可能叠加人员伤亡、生态风险、区域疏散、供应链中断和社会恐慌等多重后果。风险越来越呈现为多源触发、跨域传导、系统耦合、链式放大等复合性过程。其次，这一变化重塑应急管理时间逻辑。传统应急管理侧重灾中响应与灾后恢复，以“快速反应”为主要目标；而在复杂风险条件下，仅靠灾后处置难以支撑高质量应急管理。风险识别、预警研判、资源预置、制度准备和公众教育的前移，日益成为现代应急管理的基本要求。换言之，应急管理已不能被简单理解为灾害事件发生后的处置体系，而应被理解为覆盖风险监测、应急准备、监测预警、处置救援、评估恢复的全过程治理体系。再次，风险环境的变化折射出传统治理方式的现实局限性。近年来，我国应急管理体制改革持续推进，应急管理部组建后，“大应急”框架基本形成，综合协调、统一指挥、统筹救援和系统治理能力显著增强。与此同时，现实中不同程度存在体系性协同与适配不足问题。例如，前端监测感知越来越丰富，但后端知识调用和智能研判能力仍显不足；信息系统越来越多，但跨部门、跨层级、跨业务协同联动仍不够顺畅；预案体系越来越完整，但静态预案与动态情境之间仍存在适配性不足；基层承担大量前期风险发现和先期处置任务，但后期专业支撑、智能辅助和救援能力均衡化水平仍待提高等，这些都对应急管理体制改革提出更高要求。
从更深层次看，上述问题反映的不只是技术供给不足，更是治理体系与风险复杂性之间的结构性错位。传统数字化系统擅长记录、汇集和展示信息，却不一定擅长对信息进行综合理解、推理研判和组织行动；其能够让管理者“看到更多”，却未必帮助其“理解更深”；其能够让信息“传得更快”，却不一定能够支撑高质量决策。因此，应急管理体系和能力现代化正从“有没有系统、有没有平台”的阶段，进入“能否形成高质量认知、能否支撑复杂决策、能否实现敏捷协同”的新阶段。
在这一背景下，以大语言模型、多模态模型、检索增强生成和智能体系统为代表的新一代人工智能技术，开始进入公共安全治理和应急管理研究视野。其不仅是更高效的内容生成工具，还在更深层次上触及现代应急管理关键瓶颈，包括如何从海量信息中快速形成结构化判断，如何把分散性知识转化为可调用能力，如何在高压力和高不确定性环境下，提升应急管理研判质量与组织效率，如何把不同部门分工真正组织成高效协同链条等。本质上，人工智能应急大模型应用不是单纯的技术问题，而是一个兼具技术创新、制度创新、组织创新与治理创新属性的综合性议题。我们既要看到其所带来的能力增益，也必须正视其嵌入高风险公共治理场景后产生的责任边界、安全要求和伦理约束。
人工智能应急大模型赋能应急管理的理论逻辑
数字技术持续迭代推动应急管理体系迭代升级，应急大模型作为新一代智能技术重要载体，突破传统信息化建设局限，重塑应急运行底层逻辑。
从数据可见走向情势可知。在传统模式中，应急信息化建设通过把分散于不同部门、层级和业务条线中的信息资源汇聚起来，并结合图层、看板、地图和报表等工具将其进行可视化展示，这可以显著提升信息透明度和反应速度。然而，“看到数据”不等于“理解情势”。在复杂风险场景中，关键问题不只是获取某条河流水位超警、某个点位温度异常或某个区域道路中断等信息，而是理解这些信息之间的关联，判断其可能演化的方向，并迅速组织形成针对性应急治理方案。人工智能应急大模型的重要价值，在于帮助应急管理从“数据看得见”走向“情势看得懂”。通过长文本理解、语义聚合、上下文联结与跨模态对齐，其可以将原本零散的监测数据、文字报告、图像视频、语音信息和网络舆情，整合为具有语义一致性的“事件结构”，从而提升应急管理工作从信息获取到综合研判的转换效率。
从信息汇聚走向知识组织。现代应急管理面临的一个突出矛盾，不是信息的缺乏，而是信息供给与知识吸收之间的不匹配。随着监测设备越来越多，系统平台越来越全，案例资料、法规文件和专业文档不断积累，但这些内容往往以分散、异构、非结构化的方式存在，难以在关键时刻被快速调用。结果就是信息越来越多，组织真正可用的知识却未必同步增长。应急大模型的深层意义在于，将法规标准、应急预案、历史案例、专家经验、装备参数和业务规则等信息与模型能力相结合，将分散性知识重新组织为可检索、可推理、可比较、可解释的认知支撑体系，成为“知识处理器”。也就是说，将过去存放在文件柜、电脑文件夹和个体经验中的信息，转化为在高压状态下组织能够即时调用的能力资产。
从流程自动化走向认知增强。过去一个时期的应急信息系统，较多集中于流程自动化建设，如信息报送、指令流转、表格汇总和状态显示等，工作效率得到提升，主要解决的是“做得更快”问题，而非“想得更好”。在当下高风险、强不确定性、密集责任的应急管理中，真正稀缺的是高质量认知能力，即在有限信息和强时间压力下，可以快速识别灾害关键变量、比较多种应急方案、判断风险边界和预判后续发展走向的能力。从这一意义上说，应急大模型的主要价值在于认知增强。其并不取代指挥员、专业人员和组织体系，而是通过语义压缩、内容召回、关系推理和情景模拟的建立，为决策者提供“第二认知支撑”，使其能够在更短时间内掌握更多关键信息、看到更多可能方案、减少关键变量遗漏，从而提升决策质量。
从单部门处置走向多主体协同。应急管理天然具有跨部门、跨层级、跨专业和跨空间的系统特征。一些低效沟通并不是由于单一部门能力不足，而是由于不同主体之间存在语言体系不统一、业务接口不一致、任务边界不清晰、反馈链条不闭合等问题所致。人工智能应急大模型借助自然语言交互、任务理解和流程编排能力，可以在一定程度上充当多主体协同的“中介层”，把复杂问题转译为可沟通、可追踪、可校正的任务链条，降低组织间摩擦，提升各部门整体协同效率。
从被动应对走向韧性治理。现代应急管理追求的不只是局部环节效率提升，更是国家和社会整体韧性持续增强。韧性治理强调预判、吸收、适应、恢复和学习的综合能力，强调在不确定条件下维持系统运行并持续优化的能力。人工智能应急大模型若能够嵌入风险识别、脆弱性评估、资源预置、演练优化、灾后复盘和制度更新等应急管理全过程，就可能推动应急管理由被动反应型治理向持续学习型治理转变。这意味着，大模型的价值不只局限于单次事件处置，更可能成为支撑国家应急体系动态进化的重要技术支点之一。
人工智能应急大模型的实践机制
在应急管理这一高时效、高复杂、高责任的领域，大模型的价值必须通过可嵌入治理流程机制体现。
多源异构信息统一理解机制。应急管理面对的信息来源极其复杂，既包括气象、水文、地质、遥感、视频监控、物联网感知等设备数据，也包括报警记录、基层上报、部门简报、媒体信息和公众求助等信息。传统系统往往只能按来源对信息分门别类处理，难以迅速形成统一的情势认知。大模型通过跨模态处理和长上下文理解，可以把原本异构、分散的信息，整合为具有语义一致性的事件画像，帮助决策者迅速对应急事件的性质、风险边界、影响范围和发展趋势进行研判。
知识增强与专业边界约束机制。应急管理具有很强的专业性与规范性，不同灾种、不同事故类型和不同处置阶段，对应着严格的法律法规、技术标准和作业规范。单纯依赖通用模型，容易出现“语言流畅但专业失真”的情况。因此，人工智能应急大模型必须建立知识增强机制，将法律法规、行业标准、应急预案、危险源数据库、装备清单、职责规定和案例知识库等嵌入模型运行过程中，通过检索增强生成、规则引擎和人工反馈等方式，让模型具备懂业务、知边界、守规范的专业能力。
情景推演与方案生成机制。应急处置的难点，在于应急事件的不确定性与决策的提前预判性之间的矛盾。大模型通过结合实时数据、历史案例和业务规则，可围绕灾害演化、疏散转移、交通绕行、资源调拨、次生风险防控和舆情引导等问题，形成多个备选方案，并为决策者提示不同方案的适用条件、可能后果和风险边界。其价值不在于给出“正确答案”，而在于快速拓宽决策者视野，提高会商讨论的针对性和前瞻性。
任务分解与流程编排机制。应急管理的低效率事件，多出现在从认知到执行的中间环节。即便情势研判基本正确，如果任务不能及时分解、责任不能清晰落实、反馈不能闭环追踪，处置效果仍会受到影响。大模型与智能体系统结合后，可以把复杂应急任务分解为具有明确责任主体、时间节点和资源需求的子任务，并与值班、调度、资源、通信和信息发布系统相衔接，使大模型从“辅助分析”走向“辅助组织”，从而增强其对实际执行的支撑能力。
公众沟通与社会动员机制。现代应急管理不仅是政府内部的组织过程，也是政府与社会之间的信息互动过程。预警信息是否清晰、避险提示词是否可执行、辟谣内容是否及时、情绪安抚是否到位，都直接影响治理绩效。大模型在多版本、多层次、多对象的信息生成方面具有明显优势，能够根据不同区域、不同群体、不同媒介特点，生成更具可读性、可理解性和可操作性的风险沟通文本，从而提升公众理解度和社会协同度。
复盘学习与制度迭代机制。应急管理不能满足于“一次处置、一次结束”的处理，必须把单次事件转化为制度改进和能力提升的经验。大模型可以在事件结束后，辅助提取关键节点、识别流程堵点、梳理决策偏差、归纳经验教训，同时，生成案例教材、培训材料和预案修订建议。通过这种方式，原本停留在少数个体经验中的隐性知识，可转化为组织共享的显性知识，从而推动应急管理制度和能力的持续迭代。
人工智能应急大模型的应用场景
人工智能应急大模型的技术价值最终通过场景体现，对于应急管理而言，大模型不可能一开始就全域替代、全能覆盖，而应重点围绕高频、高价值、强需求场景，逐步形成稳定能力，再由点及面推动体系升级。
灾害风险监测预警场景。传统预警以阈值触发为主，应对单因素场景较为有效，但面对复合型、链条型和情景型风险时，单一指标往往难以支撑高质量决策。人工智能应急大模型可融合气象、水文、地形地貌、人口分布、交通网络、遥感影像和历史灾情等多源信息，推动预警从“指标预警”升级为“情景预警”。其不仅提示风险等级，还能进一步回答危险区域、脆弱群体、行动建议和时间窗口等关键问题，从而增强预警的行动导向性。
事故灾难专业处置场景。在危化品、矿山、燃气、消防、桥梁、隧道和大型活动等领域中，事故处置高度依赖专业知识。大模型可通过调用危险源特性、专业规范、历史案例和装备参数，辅助一线人员形成警戒范围建议、现场救援方案、隔离控制措施、人员疏散路线和现场风险提示，帮助一线人员在高压条件下迅速掌握关键知识。尤其在基层事故灾难处置专业力量不足、信息检索时间紧迫的情况下，这种深入分析能力具有较高实用价值。
应急指挥调度与会商研判场景。指挥中心的关键任务，不是简单接收信息，而是从动态变化的信息流中形成统一认知、清晰命令和闭环执行。人工智能应急大模型能够对现场报告、监测数据、部门材料、会商意见和舆情动态进行快速整合，生成态势摘要、问题清单、处置建议和任务提示，从而提升会商效率和调度精度。对于基层值班值守机构而言，这种能力尤其重要，其有助于降低基层的信息整理成本和认知负担。
城市生命线与韧性城市治理场景。当前，城市安全治理越来越强调对供水、排水、燃气、电力、通信、桥梁、隧道和综合管廊等基础设施系统的综合认知与协同治理。这些系统之间具有明显耦合性，一处故障可能触发连锁后果。人工智能应急大模型可与城市运行监测平台、时空信息平台和数字孪生系统结合，辅助识别脆弱性节点、推演故障链条并评估次生影响，推动城市安全治理由事后修复向事前预防转变。
基层应急管理与一线辅助场景。基层是风险发现和先期处置的第一现场，也是当前我国应急能力建设中最薄弱、最关键的环节。乡镇、街道、社区、园区和企业基层管理者，往往面临任务繁重、专业能力不足、数字技术不均衡等现实压力。人工智能应急大模型可通过轻量化方式嵌入移动终端和基层业务系统，形成“可询问、可提示、可辅助、可培训”的智能助手，从而有效提高基层风险发现、信息上报、初期处置和群众宣传的质量。
公众沟通、舆情研判与社会协同场景。在社交媒体高度普及的环境中，突发事件不仅有物理冲击，也有认知冲击和情绪冲击。人工智能应急大模型可辅助生成多版本预警信息、分群体避险指南、辟谣文稿、问答手册和心理安抚提示，并通过公开信息语义分析，识别舆情焦点、谣言传播节点和公众关切热点，从而增强信息发布的准确性、及时性与温度感，提升政府与公众之间的协同效率与信任基础。
人工智能应急大模型系统化落地的关键维度
人工智能应急大模型能否从技术概念转化为治理能力，关键问题不是上线多少应用，而是能否形成可持续、可复制、可评估、可扩展的能力体系；推进路径不是“建一个模型、做几个场景”，而是推动技术底座、知识工程、组织流程、制度规则和人才建设共同演进，形成的系统工程。
以国家统筹为牵引，构建分层分域的总体架构。应急管理具有鲜明的公共性、系统性和底线性，如果各地各部门各自建设、重复训练、接口不通，不仅会造成资源浪费，也容易带来标准碎片化、数据孤岛化和责任模糊化。推进人工智能应急大模型，首先要解决顶层架构问题。较为合理的路径是，形成“通用底座—知识中台—场景智能体—终端应用”的分层体系。“通用底座”是在国家统一安全要求和自主可控要求下，建设具备语言理解、多模态融合和复杂任务分解能力的基础模型与算力体系；“知识中台”是将法规标准、案例库、预案库、资源库和职责库，组织为统一知识底座；“场景智能体”是围绕防汛、消防、危化、基层值守、城市生命线等具体场景，形成的智能能力单元；“终端应用”则是部署到指挥中心、基层终端、业务平台和公众服务端的实际工具。通过这种分层设计，既能够统筹应急管理共性能力，又能够保障应用场景灵活适配。
以高质量数据治理为基础，建设可用、可信、可管的应急数据治理体系。没有高质量数据治理，应急智能化就只能停留在概念层面。数据是模型运行的基础，对于应急场景而言，数据治理的关键不在于其数量多寡，而在于其权威性、时效性、准确性、可共享性和可追溯性。推进人工智能应急大模型应用，必须首先回答“哪些数据可以进入模型、如何进入模型、谁有权使用、如何确保数据质量”等基础问题。一方面，要建立跨部门、跨层级、跨区域的数据目录与分类分级体系，明确监测预警数据、风险普查数据、资源调度数据、案例数据、舆情数据和公众服务数据的属性边界。另一方面，要完善数据采集、清洗、标注、更新与质量评估机制，使原本结构不一、口径不一、标准不一的数据，均能够服务于模型训练和推理。此外，还要强化数据安全与授权使用机制，特别是对涉及个人隐私、关键基础设施运行和重要业务调度的信息，要坚持最小必要、分级授权、全程留痕和审计追溯原则。
以知识工程为中枢，构建应急管理专业知识底座。如果说数据决定模型“看得到什么”，那么知识工程决定模型“理解成什么”。应急管理是一项高度依赖专业知识、规范边界和情景经验的工作，仅靠通用语料训练出的模型，很难真正适配高风险公共治理场景。因此，推进应急大模型必须把知识工程置于中枢位置。一要系统梳理应急领域知识类型，包括法律法规、国家标准、行业规范、应急预案、作业规程、装备参数、危险源属性、历史案例、职责分工和空间信息等知识。二要推动知识表达结构化，把原本散落于文本中的规则关系、流程关系和案例关系，转化为图谱、模板和规则，以便模型调用。三要通过检索增强生成、规则引擎和人工反馈机制，增强模型专业边界感，减少幻觉输出和越权建议。四要面向不同风险场景建设专业子知识库，如洪涝灾害知识库、危化处置知识库、矿山安全知识库和城市生命线知识库等，以提升场景匹配度和专业准确率。
以典型场景为抓手，推动人工智能应急大模型“试点验证—模型迭代—标准沉淀—复制推广”的渐进式落地。人工智能应急大模型走向实际应用，应坚持场景牵引、分步推进。较为稳妥的推进方式，是围绕需求明确、数据基础较好、组织接口相对清晰的场景，开展首批试点验证，如防汛会商辅助、基层值班值守、灾情信息汇总、预警文案生成、预案问答、资源调度辅助等。试点的目的，不只是展示模型应用能力，更是通过真实业务检验其边界与缺陷。试点过程中应建立量化评估机制，不仅评估其生成速度和表达质量，还要评估其正确率、合规性、可解释性、对流程的改善程度，以及对工作负担的实质减轻程度等，并在此基础上对模型进行迭代。通过试点中积累的接口规范、知识模板、评测指标和使用规则，逐步将标准沉淀为大模型可复制能力模块，再向更复杂、更高风险场景推广。这种渐进式路径，符合应急管理高风险治理规律，也更有利于形成组织信任。
以业务流程重塑为关键，推动模型从“辅助工具”走向“内嵌能力”。一些智能化项目成效有限，并非技术本身不强，而是因为模型停留在展示层、问答层和材料生成层，并未真正进入业务主链。要形成真实治理能力，必须把模型嵌入信息报送、研判会商、任务分解、资源调度、信息发布和复盘总结等关键流程节点。例如，在值班值守环节，模型不仅要回答问题，还要自动归并多源上报信息并提示关键缺口；在会商研判环节，模型不仅要整理材料，还要辅助识别争议点和比较备选方案；在调度执行环节，模型应能把复杂指令拆解为任务清单并跟踪执行反馈；在复盘环节，模型应能够抽取关键节点、形成问题清单和改进建议。流程重塑的本质，是让模型服务于治理链条，而不是让治理链条迁就模型能力。
以标准规范和评测体系为保障，建立人工智能应急大模型全生命周期治理机制。人工智能应急大模型要走得稳，必须建立配套的标准与评测体系。这不仅关系应急管理体系的技术质量，更关系到制度信任。没有标准，就无法比较不同模型优劣；没有评测，就无法判断模型是否适用于高风险场景；没有生命周期治理，就无法确保模型在更新迭代中不偏离公共安全底线。人工智能应急大模型应建立四类标准：一是数据标准，如数据的采集、清洗、标注、更新、共享和脱敏标准等；二是知识标准，如知识表达、规则抽取、案例模板和更新机制等；三是模型标准，如模型的准确率、鲁棒性、可解释性、容错性、公平性和安全性等；四是应用标准，如模型在不同风险等级场景下的准入要求、人工审核要求、日志留痕要求和责任确认流程等。同时，应建立实战化评测、压力测试和第三方评估机制，将模型置于真实或准真实场景中，检验其在信息冲突、极端输入和时间压力条件下的表现。
以复合型人才培养和组织适配为支撑，形成长期能力供给体系。任何智能化转型最终都要落实到人。应急大模型建设不是纯技术工程，而是组织能力工程、人才工程和制度工程的统一。一方面，要培养既懂应急管理规律，又懂人工智能方法，同时理解公共政策、数据治理和组织协同的复合型人才。高校、科研机构、企业和实战部门应共同推动交叉培养、联合实践和案例教学。另一方面，要持续提升干部数字素养和基层实战能力，使一线人员具备理解模型输出、识别模型边界和对模型进行人工修正的能力。还要通过制度安排推动组织文化适配，使各层级使用者真正理解大模型“是增强，不是替代”“是支持，不是免责”的基本使用原则。
以平战结合和持续迭代为原则，构建动态进化的应急管理能力生态。应急管理具有鲜明的平战结合特征，许多能力并不是在灾时临时生成，而是在平时的风险排查、应急演练、案例学习、宣传培训和预案优化中逐步积累形成。推进人工智能应急大模型，不能只把其视为灾时工具，而应将其嵌入平时治理，形成常态化使用、持续性反馈和不断进化的能力生态。风险环境在变化，制度规则在更新，装备体系在发展，公众沟通方式也在演变，应急大模型如果停留在“一次训练、长期不变”的状态，很快就会失去对环境的适配性。因此，必须建立知识更新机制、用户反馈机制、错误纠偏机制和模型迭代机制，形成“使用—反馈—修正—再使用”的持续进化闭环，使应急大模型成为面向未来的动态能力系统。
人工智能应急大模型的风险防范
越是具有战略价值的技术，越需要有边界意识。应急管理是涉及生命攸关、责任密集、信任敏感的公共治理领域，任何智能化工具的使用都必须服从公共安全底线、责任伦理和制度秩序。因此，我们要对人工智能应急大模型使用中可能存在的风险和问题，科学设置技术约束和制度规范。
警惕模型幻觉与事实错误。大模型的典型风险之一，表现为输出内容在语言上高度流畅，却在事实层面存在偏差。在应急场景中，一处错误地点、一条错误路线、一项错误判断，均可能直接影响生命安全。因此，模型输出内容绝不能直接替代指挥命令和专业结论，必须经过事实核验、知识校正和人工审核。
注意算法偏差与治理公平。模型训练数据往往带有历史偏差、地域偏差、样本偏差和表达偏差。如果这种偏差渗入应急管理过程，则可能导致对一些偏远地区、小概率场景、特殊群体和非标准表达的信息识别不足、响应不足，从而损害治理公平。应急管理追求的不是平均意义上的准确，而是在关键场景、关键群体和关键时刻都尽可能可靠。
强调责任归属与决策合法性。应急管理的主要特征之一，是责任链条必须清晰。模型可以提供建议，但不能成为责任主体。若一线人员机械采纳模型输出意见而缺乏责任确认，则容易形成“建议来自系统、执行来自组织、后果无人承担”的困境。因此，必须坚持“由人授权”原则，即关键决策、关键发布和关键调度，必须由具备法定职责和组织授权的人员作出。
重视数据安全、隐私保护与网络安全。对应急管理而言，安全不是附属要求，而是前提条件。人工智能应急大模型涉及大量敏感数据，既包括个人位置、求助信息和健康信息，也包括关键基础设施运行参数、现场视频和调度指令。若在数据采集、训练、调用和共享过程中缺乏严格制度约束，则可能带来公众隐私泄露、数据滥用和系统攻击等风险。
警惕技术依赖与专业能力退化。智能系统越好用，使用者就越容易产生依赖心理。如果长期依赖模型完成判断、总结和推理，一线人员则可能出现专业敏感性下降、现场感知能力不足和临机判断能力弱化等问题。应急管理是一项高度依赖责任伦理、现场经验和组织能力的工作。技术应当增强人的能力，而不是替代人的能力，更不能消解人的责任。
警惕组织惰性与制度失衡。模型可能在组织内部制造新的惰性，是一种常被忽视的风险。如果一些部门把大模型视为替代思考的工具，反而会削弱原本应强化的组织能力、专业队伍建设和制度供给。因此，在推进人工智能应急大模型时，必须同步推进相应的制度完善、队伍建设和资源投入，不能形成“重技术、轻组织，重平台、轻能力”的失衡倾向。
人工智能应急大模型的发展路径
政策建构是人工智能应急大模型从技术能力走向制度能力的关键环节。与一般产业应用不同，人工智能应急大模型面对的是高敏感、高责任、高要求的国家安全能力建设领域，因此，其政策体系不应仅停留在宏观层面，还应形成兼具战略性、系统性、可操作性与可监管性的制度安排。
将人工智能应急大模型纳入国家安全体系。在战略定位上，应从国家层面明确人工智能应急大模型的角色定位，将其视为国家安全体系的重要组成部分，而非一般政务数字化项目。这一定位决定了资源投入方式、建设责任机制和安全治理等级，避免地方化、碎片化和短周期化建设倾向。在政策制定上，应建立中央统筹、部门协同、地方实施、场景牵引的总体推进机制。国家层面重点负责总体规则、重大标准、共性底座、示范工程和安全监管；地方层面负责结合本地风险特征和治理需求，开展场景适配和能力落地。通过纵横协调机制，形成全国统一框架下的人工智能应急大模型差异化实施格局。
完善自主可控导向下的关键技术攻关体系。应急管理具有强安全属性和强连续运行要求，这决定了其相关模型、算力、基础软件和安全组件，必须尽可能实现自主可控。政策上，应围绕多模态融合、复杂情景推理、边缘部署、低时延响应、可信解释、对抗鲁棒、安全防护和智能体协同等关键能力，组织高校、科研机构、龙头企业和一线部门联合攻关，形成“技术研发—场景测试—制度反馈”的协同创新体系。特别是，技术攻关不能脱离场景，若技术路线与实际应急需求脱节，则容易导致“实验室先进、实战中无用”的问题。因此，国家科研项目、重大专项和示范工程都应把真实应急场景作为重要牵引条件，把技术性能与场景适配性作一体性评估。
建设国家应急数据治理与知识资源公共平台。当前，大量有价值的应急知识和案例资源仍分散在不同地区、不同部门和不同系统中，它们之间缺少统一整合、结构化加工和规范共享。若不解决这一问题，模型建设就容易停留在局部训练、局部应用、局部见效的阶段。政策上，应推动建设国家层面应急数据治理与知识资源公共平台，重点整合灾害事故案例库、法律法规，与标准规范库、预案制度库、装备能力库、风险点库和空间知识库。与此同时，还应建立统一的数据接口规范、共享规则和质量评估制度，使资源能够在不同地区、不同部门、不同场景的统一框架中，实现互通。公共平台不仅用于集中数据，还用于形成国家级智能治理知识底座，为多层级、多场景应用提供稳定支撑。
实施重点场景示范工程，打造可复制制度样板。高风险领域技术应用，必须通过真实场景验证其价值与边界。因此，政策建构应采取“重点突破、示范带动”的方式，围绕防汛抗旱、地震灾害、森林草原火灾、危化品安全、城市生命线、基层值班值守和公众预警服务等重点领域，组织建设一批国家级和区域级示范工程。示范工程不仅可以展示技术，还可以形成可复制制度样板。一个成熟的示范项目，应同时包含技术架构、流程设计、知识库建设、权限管理、人工审核、应急预案嵌入方式、成效评估方法和责任边界安排等内容。只有把这些要素汇总分析，示范经验才能真正被复制推广，而不只是停留在个别项目层面。
建立分级分类准入制度与第三方评测制度。人工智能应急大模型必须建立分级分类准入制度，根据不同场景的风险等级、决策敏感度和后果严重性，设定其不同准入要求和使用边界。例如，在一般性信息整理、宣传文本生成和培训辅助场景中，可适当放宽其准入条件；而在预警研判、现场调度、疏散建议和资源配置等高敏感场景中，则必须实行更严格的测试、审批和人工审核要求。同时，应建立独立第三方评测制度。第三方评测不只测试正常条件下的表现，还应测试模型在信息冲突、极端输入、恶意诱导、数据缺失和时间高压条件下的稳定性。通过持续评测、压力测试和周期性审计，形成模型的更新、降级和退出机制，防止不成熟、不稳定和不安全的模型进入关键治理环节。
构建高风险人工智能治理规则体系。应急大模型的政策制度，应针对高风险公共治理场景，构建包括数据合规、算法备案、安全审查、人工审核、日志留痕、结果可追溯、责任认定和错误纠偏在内的完整规则体系。这一规则体系至少应明确三个基本问题：第一，什么场景可用，什么场景慎用，什么场景禁用；第二，谁有权调用，谁有权审核，谁有权发布；第三，出现错误后如何追责，如何纠偏，如何修复。只有把这些问题制度化，才能将模型应用纳入法治轨道和治理秩序中。
强化基层导向，推动智能化能力向一线下沉。政策建构不能只面向高层指挥中心和大城市平台，还必须明确“向基层倾斜、向一线下沉”的导向。应急管理最真实、最持续的压力，往往发生在乡镇街道、村居社区、园区企业和基层队伍中。如智能化能力只停留在上层平台，则容易出现“上面看得清楚，下面干得吃力”的问题。因此，应通过财政支持、设备配套、平台轻量化部署、移动终端接入，和基层培训等政策工具，把人工智能应急大模型送到基层一线。应重点支持基层在信息报送、风险巡查、预案查询、演练辅助、公众宣传和会商支撑等方面，使用智能化工具，使基层的治理模式逐步由单纯经验依赖型向“经验＋智能支撑”型转型。
推动人才、组织与制度协同变革。高质量政策建构不能只围绕技术本身，还必须同步推动人才制度、组织流程和管理理念更新。政策上应鼓励高校设置“应急管理＋人工智能＋公共政策”交叉培养方向，支持科研机构与实战部门联合建立实践基地，形成产学研用结合的人才培养体系。同时，在干部培训、岗位设置、绩效评价和跨部门协同机制上作出制度安排。例如，可将数字能力、数据治理能力、模型风险识别能力和智能工具使用能力，纳入相关岗位培训体系；可建立跨部门智能治理支撑专班，把模型应用成效与合规情况纳入项目评价和部门考核。只有人才、组织与制度同步变革，技术能力才能稳定嵌入治理体系。
坚持开放合作与国际规则参与相结合。对我国而言，技术能力重要，规则塑造能力同样重要。在全球人工智能治理和灾害风险治理加速演进的背景下，我国推进人工智能应急大模型应用，要保持适度开放与国际合作视野。对外合作的重点，不仅是技术引进，更要提升我国在应急大模型上的国际影响力，以及我国在高风险场景下标准交流、评测合作、案例共享和规则对话中的话语权。我国应积极参与国际减灾治理、公共安全治理和人工智能治理相关平台工作，推动我国在高风险人工智能治理、应急智能化标准和跨境灾害协同方面，形成更强的规则供给能力。
文章来源：《学术前沿》杂志2026年第11期（注释从略）
