人工智能的技術發展，最終還是要看技術的落地范疇，而根據媒體報道，近日加州理工大學運用了人工智能技術進行了地震。

　　地震模型難以建立成難題

　　地震的成因非常復雜。人類對地質觀察的知識和數據積累并不全面和系統，很多地震周期跨越幾千年，但很多地方的地質學家只積累了100年左右的數據，雖然有的根據現有數據，提供了特定規模的地震在未來數年到數十年之間發生在某區域的機率，對某些區域的地震預報有實用價值，然而這些技術的可靠性既未確立，也無法重制，很難建立起具有實際指導意義的模型。

　　未能準確判斷出一次地震發生的時間、地點和規模，科學家試圖找到地震發生的前兆。但目前為止還沒有哪種現象被證實一定會發生在其他地震之前。雖然現在科學家可以結合一些監測數據和自然現象來分析哪些跡象和地震有關，關聯度有多大，初步得出了一些小的結論，但仍然停留在很初級的研究階段，并沒有證實具有普遍性，只有研究價值沒有應用價值。

　　地震預警系統幾秒鐘內發出警報

　　據悉，加州理工學院地震學實驗室的工程師們正在使用英偉達的 GPU、AI 和深度學習開發一種更智能的地震預警系統，這種系統可能在幾秒鐘內發出警報。加州理工學院地震學實驗室博士后 Zachary Ross 表示，他正在開發一個神經網絡，并利用三個 NVIDIA GPU 的計算資源，從南加州地震記錄的 25 萬多個地震記錄數據庫中分析信息。

　　人工智能系統能夠提取模型特征

　　而地震探測器(CRED)的人工智能系統 ，可以識別一定范圍內的歷史連續地震信號數據。它建立在哈佛和谷歌的工作基礎之上，后者在8月創建了一個人工智能模型，能夠預測大地震發生后一年內余震的位置。研究人員開發的人工智能模型主要包括兩種神經網絡層(互連的處理節點組成，模仿大腦中神經元的功能 )：卷積神經網絡和遞歸神經網絡。前者從地震儀數據中提取特征，而后者學習地震儀數據的順序特征，并且可以結合記憶輸入提高其預測的準確性。

　　兩種神經網絡共同構成了一個殘差網絡框架(一種緩解多層神經網絡常見問題的架構)。通常，隨著分層節點數量的增加，會導致精度度飽和并降低。但是由于殘差學習函數自身處理函數的方式，可以幫助神經網絡既能夠保持準確性，又能夠從數據集中學習更多高級特征。另外一點好處就是，它更容易得到優化。

　　此前，該研究人員表示，為了訓練和驗證人工智能地震探測系統的有效性，研究人員采集了2011年間記錄在阿肯色州Guy-Greenbrier的連續數據，其中包含3,788個地震事件，此外還有北加州889個監測站提供的550,000條平均時長30秒、3個分量級的地震數據。

　　取共計大約550,000條數據中的50000條樣本作為測試集，用于評估性能。結果顯示，無論地震事件是較大、較小、局部還是具有高度的背景噪聲，網絡模型都能夠準確預測出地震信號。

　　如果使用該模型進行分析預測，也意味著人工智能的落地使用也更進一步，對于促進人工智能技術研究也具有很深的意義。