生成式人工智能如何重新定义保险业的巨灾建模
随着传统的基于物理学的巨灾模型面临先进生成式人工智能的竞争，保险业正经历着一场巨大的技术变革。通过利用扩散模型来模拟极端天气事件，各家公司正试图弥补历史记录与未来气候现实之间的数据鸿沟。
利用扩散模型突破分辨率壁垒
几十年来，巨灾（cat）建模一直依赖于基于物理学的方程，来模拟地理网格单元中的重力、摩擦力和流动。然而，这些模型在计算成本与分辨率之间面临着持续的权衡。在高面积范围内运行高分辨率模型极其昂贵，迫使人们在细节和覆盖范围之间做出妥协。
生成式人工智能正在从根本上改变这一局面。Swiss Re 的子公司 Fathom 正在率先使用扩散模型来克服这些局限性。通过在约 1,000 年的现有气候模拟数据上训练扩散工具，Fathom 可以合成生成数万年针对 2030 年气候预测的天气场景。为了解决分辨率问题，他们采用了一种二次图像锐化模型，将粗糙的 100 × 100 公里数据细化到精确的 10 × 10 公里分辨率，从而实现了更准确的降水模式映射。
空间变异性与尾部风险的新前沿
人工智能的应用已不仅限于简单的天气生成，还扩展到了复杂的多种灾害建模。行业领导者 Verisk 目前正利用生成式人工智能同时对极端风雨进行建模，而非按顺序建模。这种方法允许更高的空间变异性，能够捕捉不同天气要素之间的实时相互作用。
其他参与者则专注于事后分析和“尾部风险”（tail-risk）事件——即那些由于缺乏足够的历史数据供传统模型处理而难以应对的罕见灾难性事件。例如，Moody's RMS 利用人工智能分析山火和飓风后的卫星图像，以估算保险损失。在气候波动日益加剧的时代，这种对“不可见”事物的建模能力至关重要。
风险：物理幻觉与经济偏见
尽管潜力巨大，但将生成式人工智能集成到风险评估中并非没有重大危险。主要的的技术障碍是“幻觉”。由于扩散模型优先考虑合理性而非物理准确性，它们可能会生成看起来很真实但违反基本物理定律的天气事件——Fathom 的科学总监 Oliver Wing 将这种现象描述为“绝对的胡搞”（absolute slop）。
此外，科学准确性与企业销售逻辑之间还存在着潜在的冲突。虽然更好的模型在理论上可以将覆盖范围扩大到巴西或孟加拉国等高风险地区，但保险公司本身存在一种倾向，即更青睐那些产生较低损失估算值的模型。如果人工智能模型揭示风险显著高于此前预期，可能需要更大的资本缓冲，从而可能减缓业务增长。这造成了一种紧张关系：对更优科学的追求可能会与承保更多业务的目标发生冲突。
核心要点
- 分辨率提升： 扩散模型和锐化技术使建模人员能够将分辨率从 100 公里跃升至 10 公里，为降水和风力模式提供更精细的细节。
- 弥补数据鸿沟： 生成式人工智能可以合成数千年的合成气候数据，帮助保险公司为没有历史先例的“尾部风险”事件做好准备。
- 关键挑战： 行业必须应对“物理幻觉”的技术风险，以及由销售激励驱动的偏见模型选择所带来的经济风险。