消防安全是應急管理工作的重要組成部分。在江蘇蘇州，一份由“馴火”系統生成的火災高危單位預測清單，曾讓當地消防監督員頗感意外——一家理論上風險較低的“丁、戊類廠房”居然排在了清單前列，監督員實地檢查發現AI並沒有看走眼，這家燈具企業的確存在彩鋼板違章搭建、佔用防火間距等多項消防隱患。

靜態分類中的低風險單位，被人工智能系統准確識別為高風險對象，這是AI給消防隱患排查帶來的顯著改變。

眼下，江蘇正推動AI向安全生產、防災減災救災、應急救援等領域深度延伸，讓風險發現得更快、識別得更准、處置得更專業。在江蘇省應急管理廳科技和信息化處副處長牛大偉看來，AI進入應急管理領域，著力點在於解決傳統監管中“看不見、判不准、反應慢”的現實難題。

風險“看得見”

過去，基層安全監管依賴“鐵腳板”，巡查員深入現場逐處檢查，逐項核實。但面對面廣量大的企業、復雜多變的業態和不斷演化的風險，僅靠人工巡查難免顧此失彼。

露天礦山便是一個典型場景。“如今，監管人員隻需在礦山安全監管系統中輸入坡度閾值，系統便能自動識別存在超限風險的邊坡。”牛大偉告訴記者，這套AI系統整合了衛星、無人機、地面傳感器等多種感知手段，結合邊坡位移監測、視頻智能識別和三維建模，幫助監管人員掌握礦區整體狀況。“全省現已完成6座露天礦山智能化改造，計劃到2026年底實現全省38座露天礦山全覆蓋。”

從礦山邊坡到工業企業、城市樓宇，風險識別面臨的挑戰各不相同，卻指向同一個難點：當風險隱匿於復雜環境，如何精准地找出它？

以蘇州為例，當地有16萬家工業企業，社會面小場所散布在城市各處。“住建部門掌握建筑信息，消防部門記錄火災隱患，應急管理部門關注生產安全，市場監管部門登記經營主體。同一處場所，在不同系統裡可能有不同的地址、名稱和管理記錄。”蘇州城市安全發展科技研究院有限公司智慧應急事業部總監劉兆前發現，一些監管盲區並非沒有數據，而是數據彼此割裂。

2025年，蘇州提出“以房管安”的治理理念，將房屋作為最小的治理單元。劉兆前團隊為此研發了智能體“蘇小安”，嘗試編織一張精細的風險感知網。他們依托蘇州標准地址庫，開發智能地址匹配引擎，將地址拆解為道路、門牌、樓棟、房間等要素，逐級比對並進行空間校驗。對於無法自動確認的模糊地址，系統標記后交由網格員核實，核實結果再反饋到系統。目前，已有93.1萬處場所與建筑完成關聯綁定。

地址對齊，原本散落在不同系統中的信息便有了共同的落點。監管人員輸入企業名稱，就能查看相應房屋內的經營主體信息、消防巡查記錄、電力監測數據和隱患記錄。以往需要跨多個系統查詢的信息，如今在同一界面就能集中呈現。

更重要的變化發生在風險識別層面。“蘇小安”將安全風險拆解為可識別、可計算的指標。系統既覆蓋行業、作業、設備等56項固有風險因子，也納入人員持証、隱患整改、物聯感知等83項動態風險因子，並通過業態互斥風險矩陣，識別不同經營活動疊加后可能產生的耦合風險。

數據顯示，截至目前，蘇州已匯聚178萬棟房屋基礎信息、114萬處業態信息和120萬條隱患數據，完成6.5萬處重點場所的耦合風險動態評估，識別出587處風險互斥場所，判定1569家高風險經營主體，推動整改隱患2.2萬條。

南通AI眼鏡賦能遠程執法應用場景。江蘇省應急管理廳供圖

隱患“抓得准”

不久前，在南通市應急管理部門的一次遠程執法檢查中，前方企業人員佩戴AI眼鏡對准一台除塵器，后方智能遠程執法應用系統屏幕即顯示設備上有兩根進風管，隨即提示需進一步檢查不同防火分區是否共用同一套除塵系統。隨著現場信息逐步補齊，一項重大事故隱患被確認：兩個不同防火分區的車間共用一套除塵系統。系統發出隱患告警，后續執法隨即跟進。

“這樣既能減少檢查次數，又能提升執法效能，把規范化執法落得更實。”牛大偉告訴記者，AI遠程執法將辦案時長較過去縮短5天以上，效率提升30%﹔針對粉塵涉爆、化工等行業重大事故隱患智能識別准確率達90%以上。

目前，依托全省“一張網”巡查巡護體系，江蘇應急管理部門將AI眼鏡、高空瞭望、智能巡查記錄儀等設備接入監管流程，探索非現場執法，逐步給安全治理裝上“千裡眼”。

“風險不是靜態的。”牛大偉介紹，過去監管更多關注已經出現的問題，AI則推動監管關口前移，從事后處置轉向事前預防。

消防安全治理亦需如此。蘇州消防救援部門早在2015年就探索建設“火眼”大數據火災風險預測系統。去年以來，江蘇省消防救援總隊在“火眼”系統的基礎上迭代升級，打造全省統一的風險預測“馴火”系統。

“馴火”的思路，是讓數據為風險畫像，讓算法輔助識別。目前，系統已打通消防接處警、火災統計、監督管理等內部數據，並通過政務大數據平台匯聚公安、市場監管、地理信息、氣象等外部信息，累計整合數據7億余條，覆蓋38.25萬家社會單位和1.09萬個住宅小區。

據了解，“馴火”系統可綜合分析單位性質、建筑年代、隱患記錄、消防設施運行和周邊環境等多維信息，運用神經網絡、隨機森林等算法，為不同場所建立動態風險畫像，並按季度研判火災發生概率。針對廠房、倉儲、醫院、學校等不同場景，系統還對風險模型進行差異化優化，力求讓風險判斷更貼近不同場所的實際情況。

“系統將高風險單位納入重點檢查范圍，並向企業負責人推送預警﹔同時將行業風險排序推送給相關主管部門，推動監管責任落實﹔真實火災事件及日常檢查反饋，又為模型校驗和迭代提供依據。”蘇州市消防救援支隊一級指揮員陸瑤說。

中國工程院院士張來斌認為，“高風險嚴管、低風險減負”體現了江蘇精准施策的治理理念，將有限的監管力量投向高風險單位，並通過風險排序推動行業部門精准監管，實現“無事不擾”。

前哨“不打烊”

城市運行場景復雜，也為AI提供了豐富的應用空間。借助大模型，AI具備了一定的前瞻預測能力，可以更好地應對城市安全中的不確定性。

今年夏天，台風“巴威”“白海豚”先后影響南京，帶來狂風暴雨。在南京中山北路、長樂路，1611棵行道樹被納入動態監管，其中32棵高風險樹木安裝了監測終端。AI綜合分析樹木狀態、氣象數據和視頻信息，輔助識別風險，提前部署防災措施，確保台風天氣下高風險樹木無一棵倒伏。

“特大城市安全治理對象動態變化、跨部門協同復雜、應急處置時效要求高。”作為技術支持方，南京擎天科技有限公司執行總裁江錫強認為，面對極端天氣，應急管理需要從面上預警轉向對積淹水點、行道樹、廣告牌等“承災體”的點狀精准治理。

AI賦能，南京部分道路的行道樹已納入動態監管。受訪者供圖

目前，在危化品事故救援中，擎天科技研發的主控智能體可調度20余個專業智能體協同工作，覆蓋事故識別、物料研判、影響分析、資源匹配、預案處置和指揮復盤，並圍繞“事實、預測、預警”三個維度，隨現場情況變化持續更新研判，為救援指揮提供輔助建議。

“AI不是簡單復制歷史事故的處置動作，而是提煉事故背后的特征與教訓。”江錫強說，通過解析事故通報，AI提取事故誘因、管理失誤、監管盲區和防范要點，再與本地同類企業、行業類型、建筑形態及風險隱患記錄交叉比對，識別潛在風險，形成前置預警。

“過去，應急管理高度依賴經驗積累，如今僅靠經驗已難以應對復雜場景。”在牛大偉看來，應急管理領域的AI應用大多仍處於經驗數字化和工具輔助階段。要突破這一局限，關鍵是找到市場需求廣、可復用性強的標准化場景，以場景應用帶動產業發展，再反哺技術應用，以此形成良性循環。

這場應急管理領域的AI探路，正在不斷走向深入。今年9月，江蘇省應急管理廳印發《全面深化“人工智能+安全生產應急管理”行動實施方案》，明確到2027年將形成80個應急管理領域高質量數據集，打造一批典型應用場景，到2030年推動人工智能從“單點示范”走向“全域普及”。