Google 最近介绍了其利用 AI 进行全球洪水预测的最新进展。表面上看，这是一个“AI 预测洪水”的项目，但如果进一步拆解，会发现 Google 正在搭建的其实是一套完整的 AI 灾害预测基础设施：从气象数据、水文模型，到洪水风险判断，再到预警平台和政府、NGO 的实际行动。
目前 Google 主要处理两类洪水。
第一类是河流洪水（Riverine Flood）。这类洪水通常由持续降雨、上游来水等因素造成，发展过程相对较慢。Google 的基本流程是：
天气预测 → 水文模型 → 河流流量预测 → 淹没范围预测 → 洪水预警。
目前其河流洪水系统最长可以提供约 7 天提前量。
第二类是更难预测的城市突发洪水（Urban Flash Flood）。这类洪水可能在数小时甚至更短时间内形成，例如暴雨导致街道、地下空间、隧道突然积水。传统河流水位站对此帮助有限，因此 Google 开发了新的城市洪水模型，目前可以预测未来约 24 小时内某一地区发生突发洪水的风险。
Google 在河流洪水预测上的核心创新，并不只是模型精度，而是解决了一个长期存在的问题：大量地区缺少足够的水文观测站。
传统洪水模型通常需要多年本地数据，例如降雨、河流水位、流量、土壤、地形等。结果是基础设施完善的地区预测能力越来越强，而真正缺乏防灾能力的地区反而数据不足。
Google 的思路是训练一个全球共享水文模型。模型不仅学习单一河流，而是在全球大量流域上训练，寻找不同河流之间共同的水文规律。
输入包括降雨、温度、天气预报，以及地形、土壤、土地覆盖、流域属性等信息，输出未来河流流量及其概率分布。
值得注意的是，Google 在这类模型中仍然大量使用 LSTM，而不是全部换成 Transformer。这说明在连续时间序列、长期状态变化明显的水文问题中，LSTM 依然具有很强的实用价值。
不过，这次最值得关注的创新并不是 LSTM，而是一个名为 Groundsource 的项目。
城市突发洪水预测长期存在一个核心困难：缺少训练数据。
例如某年某月某日，某城市一个街区发生严重积水，这种事件往往没有全球统一的传感器记录，但却可能被当地新闻、政府公告、灾害报告等记录下来。
Google 因此提出了一个非常有意思的方法：
把过去几十年的新闻报道，当作一种新的“灾害传感器”。
Google 使用 Gemini 分析了超过 500 万篇洪水相关新闻，覆盖约 80 种语言，并从中整理出约 260 万条洪水事件记录，涉及 150 多个国家。
Gemini 在这里并不是直接预测洪水，而是负责把自然语言转换成结构化数据。
例如一篇新闻可能写道：
“上周二暴雨后，某城市北部多个街区被淹。”
Gemini 需要判断：
这是已经发生的洪水，还是未来风险预警；
“上周二”究竟是哪一天；
洪水发生在哪里；
属于什么类型；
然后把这些内容转换成标准数据：
时间、地点、经纬度、灾害类型等。
因此，Groundsource 的真正价值是：
利用大语言模型，把互联网中的非结构化历史信息转换成机器可以训练的科学数据。
随后，这些数据被用作城市洪水预测模型的训练标签。
模型输入包括过去数天的天气条件、未来 24 小时天气预报，以及地形、土壤、城市化程度、人口密度等信息，最终输出某一区域未来一天发生突发洪水的概率。
从技术架构看，可以简单理解为：
历史新闻 → Gemini → Groundsource 数据集
再结合：
天气 + 地形 + 土壤 + 城市特征 → 洪水预测模型。
这是一种非常典型的“基础模型 + 专业科学模型”组合。
不过，需要注意 Google 当前城市突发洪水模型的局限。
其空间分辨率大约是 20 km × 20 km。也就是说，模型目前更适合回答：
“某片城市区域未来一天洪水风险较高。”
而不是：
“某条道路晚上几点会积水多少厘米。”
如果要做到真正街道级甚至隧道级预测，仍然需要高分辨率天气雷达、排水管网、道路高程、水动力模型以及大量实时传感器。
因此 Google 当前策略明显是：
优先实现全球覆盖，而不是追求极致的局部精度。
Groundsource 本身也存在数据偏差。
新闻报道并不能完全代表真实洪水分布。人口密集地区、发达地区、大城市和严重灾害通常报道更多，而偏远地区的小规模洪水可能完全没有新闻记录。
因此：
Groundsource 不能简单等同于 Ground Truth。
它更接近一种由 LLM 生成的、规模巨大但带有噪声的弱监督数据集。
Google 的真正优势，也并不是在某一个城市把洪水预测做到世界第一，而是Scalability——可扩展性。
一个全球模型可以覆盖大量缺少雷达、水文站和成熟预警系统的地区。即使单点精度不如高度本地化的专业系统，其社会价值仍然可能非常大。
从更高层看，Google 正在逐渐形成一套完整的 Earth AI Stack：
卫星与气象数据
↓
AI 天气模型
↓
AI 水文模型
↓
洪水风险模型
↓
Flood Hub / API
↓
政府、NGO和公众采取行动
这说明 Google 的目标已经不只是“做一个预测模型”，而是把 AI 逐渐变成灾害预警基础设施。
Google 还在推动水文模型开源，使不同国家和地区可以使用全球模型作为基础，再加入自己的本地水文数据进行训练和微调。
这种模式可以概括为：
Global Foundation Model + Local Fine-tuning
它与今天大语言模型、视觉模型的发展路径非常相似，只不过对象变成了地球、水文和自然灾害。
从更大的 AI 发展趋势看，Groundsource 可能比洪水预测本身更值得关注。
传统科学 AI 的数据通常来自：
科学仪器 → 数据集 → AI 模型。
而 Groundsource 展示了另一条路线：
新闻 / 文档 / 档案 / 网络信息
→ 大语言模型
→ 结构化科学数据
→ 专业预测模型。
也就是说，大模型的作用不一定是直接解决最终科学问题。
它还可以承担一个更基础的角色：
把人类社会几十年积累的非结构化数字记录重新加工成科学数据。
这种方法显然不只适用于洪水。
未来类似的方法还可以应用于热浪、干旱、山体滑坡、泥石流、森林火灾、雪崩甚至公共卫生事件。
因此，Google 这项工作的真正意义，可以概括成三点。
第一，AI 让原本缺少水文观测设施的地区也有机会获得洪水预测能力。
第二，Groundsource 展示了一种新的数据生产范式：利用 LLM 从互联网和历史文档中构建大规模科学数据集。
第三，Google 正在把天气模型、水文模型、灾害模型、API 和公共预警平台连接起来，使 AI 从“预测工具”逐渐演变成真正的地球风险基础设施。
如果用一句话总结：
Google 真正做的不是简单地“让 AI 预测洪水”，而是在尝试建立一套全球化的 Earth AI 灾害预测体系；而 Groundsource 则证明，大模型未来很可能成为科学数据基础设施的重要组成部分。