从手工构建到AI驱动的情景涌现：重新思考巨灾风险建模
摘要
本文研究了巨灾风险建模中情景涌现从手工构建向AI驱动方法的转变，以提高风险评估水平。
arXiv:2609.16493v1 Announce Type: new
摘要：传统的巨灾（CAT）风险模型依赖昂贵的手工构建来生成极端天气情景，这种方法自1990年代以来基本未变。随着气候极端事件加剧，这对整个风险转移链构成了日益严峻的挑战。本研究提出了TAISE框架，该框架重新利用AI天气预报模型，以传统成本的一小部分生成连贯的极端天气序列。通过自迭代生成，该框架产生连续的全球大气场，从中涌现出极端事件。一个概念验证实验表明，与传统方法相比，计算成本降低了一个数量级，同时捕捉了基于快照方法所缺乏的时间连续性和跨区域相关性。这些发现为实现巨灾风险量化的民主化以及为保险公司、再保险公司、ILS基金经理和公共部门风险管理者提供动态、全面的投资组合评估提供了途径。
查看缓存全文
缓存时间: 2026/09/16 09:00
# 从手动构建到AI驱动的场景涌现：重新思考灾难风险建模 来源：https://arxiv.org/abs/2609.16493 文献工具 ## 文献与引文工具 文献浏览器切换 代码、数据与媒体 ## 与本文关联的代码、数据与媒体 演示 ## 演示 相关论文 ## 推荐系统与搜索工具 关于arXivLabs ## arXivLabs：与社区协作者共同探索的实验性项目 arXivLabs是一个允许协作者直接在我们网站上开发和分享新功能的框架。 所有与arXivLabs合作的个人与组织都秉持并认同我们关于开放性、社区共建、卓越品质及用户数据隐私的价值理念。arXiv致力于践行这些价值观，仅与遵循相同原则的合作伙伴开展协作。 若有能为arXiv社区创造价值的项目构想，欢迎**了解更多关于arXivLabs的信息** (https://info.arxiv.org/labs/index.html)。
相似文章
理解代理AI系统中认知引发的风险
本文系统分析了代理AI系统中由扩展认知能力在物理、社会和自反性层面引发的风险，并提出了缓解策略以确保其安全发展。
使用多种编码模型开发开源静态AI代理能力与风险分析器
描述了开发一个开源静态分析器的过程，该分析器利用多种编码模型来评估AI代理的能力和风险。
AI驱动的灾害响应与流离失所监测
该论文综述了人工智能在人道主义任务中的应用，涵盖气候变化、灾害响应、冲突监测、损失评估与流离失所追踪等场景，展示了AI提供可扩展数据驱动解决方案的潜力。
模型崩溃与对策综述
本文提供了生成AI中模型崩溃现象的最新概述，并回顾了缓解该问题的对策，强调了挑战和未来的研究机会。
Anthropic的“When AI builds itself”图表
Anthropic的论文探讨了AI系统自主构建或改进自身的场景，并讨论了其对安全性与对齐性的影响。