江苏：AI重塑安全风险防与治

消防安全是应急管理工作的重要组成部分。在江苏苏州，一份由“驯火”系统生成的火灾高危单位预测清单，曾让当地消防监督员颇感意外——一家理论上风险较低的“丁、戊类厂房”居然排在了清单前列，监督员实地检查发现AI并没有看走眼，这家灯具企业的确存在彩钢板违章搭建、占用防火间距等多项消防隐患。

静态分类中的低风险单位，被人工智能系统准确识别为高风险对象，这是AI给消防隐患排查带来的显著改变。

眼下，江苏正推动AI向安全生产、防灾减灾救灾、应急救援等领域深度延伸，让风险发现得更快、识别得更准、处置得更专业。在江苏省应急管理厅科技和信息化处副处长牛大伟看来，AI进入应急管理领域，着力点在于解决传统监管中“看不见、判不准、反应慢”的现实难题。

风险“看得见”

过去，基层安全监管依赖“铁脚板”，巡查员深入现场逐处检查，逐项核实。但面对面广量大的企业、复杂多变的业态和不断演化的风险，仅靠人工巡查难免顾此失彼。

露天矿山便是一个典型场景。“如今，监管人员只需在矿山安全监管系统中输入坡度阈值，系统便能自动识别存在超限风险的边坡。”牛大伟告诉记者，这套AI系统整合了卫星、无人机、地面传感器等多种感知手段，结合边坡位移监测、视频智能识别和三维建模，帮助监管人员掌握矿区整体状况。“全省现已完成6座露天矿山智能化改造，计划到2026年底实现全省38座露天矿山全覆盖。”

从矿山边坡到工业企业、城市楼宇，风险识别面临的挑战各不相同，却指向同一个难点：当风险隐匿于复杂环境，如何精准地找出它？

以苏州为例，当地有16万家工业企业，社会面小场所散布在城市各处。“住建部门掌握建筑信息，消防部门记录火灾隐患，应急管理部门关注生产安全，市场监管部门登记经营主体。同一处场所，在不同系统里可能有不同的地址、名称和管理记录。”苏州城市安全发展科技研究院有限公司智慧应急事业部总监刘兆前发现，一些监管盲区并非没有数据，而是数据彼此割裂。

2025年，苏州提出“以房管安”的治理理念，将房屋作为最小的治理单元。刘兆前团队为此研发了智能体“苏小安”，尝试编织一张精细的风险感知网。他们依托苏州标准地址库，开发智能地址匹配引擎，将地址拆解为道路、门牌、楼栋、房间等要素，逐级比对并进行空间校验。对于无法自动确认的模糊地址，系统标记后交由网格员核实，核实结果再反馈到系统。目前，已有93.1万处场所与建筑完成关联绑定。

地址对齐，原本散落在不同系统中的信息便有了共同的落点。监管人员输入企业名称，就能查看相应房屋内的经营主体信息、消防巡查记录、电力监测数据和隐患记录。以往需要跨多个系统查询的信息，如今在同一界面就能集中呈现。

更重要的变化发生在风险识别层面。“苏小安”将安全风险拆解为可识别、可计算的指标。系统既覆盖行业、作业、设备等56项固有风险因子，也纳入人员持证、隐患整改、物联感知等83项动态风险因子，并通过业态互斥风险矩阵，识别不同经营活动叠加后可能产生的耦合风险。

数据显示，截至目前，苏州已汇聚178万栋房屋基础信息、114万处业态信息和120万条隐患数据，完成6.5万处重点场所的耦合风险动态评估，识别出587处风险互斥场所，判定1569家高风险经营主体，推动整改隐患2.2万条。

南通AI眼镜赋能远程执法应用场景。江苏省应急管理厅供图

隐患“抓得准”

不久前，在南通市应急管理部门的一次远程执法检查中，前方企业人员佩戴AI眼镜对准一台除尘器，后方智能远程执法应用系统屏幕即显示设备上有两根进风管，随即提示需进一步检查不同防火分区是否共用同一套除尘系统。随着现场信息逐步补齐，一项重大事故隐患被确认：两个不同防火分区的车间共用一套除尘系统。系统发出隐患告警，后续执法随即跟进。

“这样既能减少检查次数，又能提升执法效能，把规范化执法落得更实。”牛大伟告诉记者，AI远程执法将办案时长较过去缩短5天以上，效率提升30%；针对粉尘涉爆、化工等行业重大事故隐患智能识别准确率达90%以上。

目前，依托全省“一张网”巡查巡护体系，江苏应急管理部门将AI眼镜、高空瞭望、智能巡查记录仪等设备接入监管流程，探索非现场执法，逐步给安全治理装上“千里眼”。

“风险不是静态的。”牛大伟介绍，过去监管更多关注已经出现的问题，AI则推动监管关口前移，从事后处置转向事前预防。

消防安全治理亦需如此。苏州消防救援部门早在2015年就探索建设“火眼”大数据火灾风险预测系统。去年以来，江苏省消防救援总队在“火眼”系统的基础上迭代升级，打造全省统一的风险预测“驯火”系统。

“驯火”的思路，是让数据为风险画像，让算法辅助识别。目前，系统已打通消防接处警、火灾统计、监督管理等内部数据，并通过政务大数据平台汇聚公安、市场监管、地理信息、气象等外部信息，累计整合数据7亿余条，覆盖38.25万家社会单位和1.09万个住宅小区。

据了解，“驯火”系统可综合分析单位性质、建筑年代、隐患记录、消防设施运行和周边环境等多维信息，运用神经网络、随机森林等算法，为不同场所建立动态风险画像，并按季度研判火灾发生概率。针对厂房、仓储、医院、学校等不同场景，系统还对风险模型进行差异化优化，力求让风险判断更贴近不同场所的实际情况。

“系统将高风险单位纳入重点检查范围，并向企业负责人推送预警；同时将行业风险排序推送给相关主管部门，推动监管责任落实；真实火灾事件及日常检查反馈，又为模型校验和迭代提供依据。”苏州市消防救援支队一级指挥员陆瑶说。

中国工程院院士张来斌认为，“高风险严管、低风险减负”体现了江苏精准施策的治理理念，将有限的监管力量投向高风险单位，并通过风险排序推动行业部门精准监管，实现“无事不扰”。

前哨“不打烊”

城市运行场景复杂，也为AI提供了丰富的应用空间。借助大模型，AI具备了一定的前瞻预测能力，可以更好地应对城市安全中的不确定性。

今年夏天，台风“巴威”“白海豚”先后影响南京，带来狂风暴雨。在南京中山北路、长乐路，1611棵行道树被纳入动态监管，其中32棵高风险树木安装了监测终端。AI综合分析树木状态、气象数据和视频信息，辅助识别风险，提前部署防灾措施，确保台风天气下高风险树木无一棵倒伏。

“特大城市安全治理对象动态变化、跨部门协同复杂、应急处置时效要求高。”作为技术支持方，南京擎天科技有限公司执行总裁江锡强认为，面对极端天气，应急管理需要从面上预警转向对积淹水点、行道树、广告牌等“承灾体”的点状精准治理。

AI赋能，南京部分道路的行道树已纳入动态监管。受访者供图

目前，在危化品事故救援中，擎天科技研发的主控智能体可调度20余个专业智能体协同工作，覆盖事故识别、物料研判、影响分析、资源匹配、预案处置和指挥复盘，并围绕“事实、预测、预警”三个维度，随现场情况变化持续更新研判，为救援指挥提供辅助建议。

“AI不是简单复制历史事故的处置动作，而是提炼事故背后的特征与教训。”江锡强说，通过解析事故通报，AI提取事故诱因、管理失误、监管盲区和防范要点，再与本地同类企业、行业类型、建筑形态及风险隐患记录交叉比对，识别潜在风险，形成前置预警。

“过去，应急管理高度依赖经验积累，如今仅靠经验已难以应对复杂场景。”在牛大伟看来，应急管理领域的AI应用大多仍处于经验数字化和工具辅助阶段。要突破这一局限，关键是找到市场需求广、可复用性强的标准化场景，以场景应用带动产业发展，再反哺技术应用，以此形成良性循环。

这场应急管理领域的AI探路，正在不断走向深入。今年9月，江苏省应急管理厅印发《全面深化“人工智能+安全生产应急管理”行动实施方案》，明确到2027年将形成80个应急管理领域高质量数据集，打造一批典型应用场景，到2030年推动人工智能从“单点示范”走向“全域普及”。