最能说明中国 DiTing（“地听”）地震 AI 项目如何工作的，是一件双手便能托住的设备。银色金属盒上装着一根天线、几盏状态灯，正面排列着若干端口。这里没有铺满发光地图的屏幕墙，也没有仿人机器人。它的用途，是把实用的计算能力部署到地震台站附近，让源源不断的地面运动信号在这里最先转化为证据。[5]

地震仪交付的原始结果，是三个分量的运动记录，离一则工整的“地震已经发生”通知还有多道处理环节。监测流程先要探测疑似事件，标出速度较快的 P 波与随后到达的 S 波各自首次抵达的时刻，判断不同台站的拾取结果是否属于同一事件，再估算位置、震级等属性。“地听”瞄准的正是这条链路的前段：全国波形档案给出带标签样本；神经网络据此学习震相拾取；轻量硬件可以从边缘端开始处理；云端模块与人员接手后续关乎结果的交接环节。[1][3][5]

“地听”由此成为观察中国 AI 应用的一个扎实案例：它的价值可以量化，能力边界也十分清楚。系统要等地震波抵达仪器之后，才开始解释一次地震。更快、更密集的分析能够改善监测、余震目录，以及地震预警或应急产品所需的输入，却无法把震相拾取变成对断层何时破裂的预知。

多年积累的目录才是隐形资产

“地听”的首个重要发布是一套数据，模型随后才来。2022 年 1 月 14 日，国家地震科学数据中心介绍了一套数据集，其基础是中国地震台网中心的震相报告与 2013 至 2020 年的存档事件波形。经过清洗和脱敏，数据集包含来自 787,010 次区域事件的 2,734,748 条三分量波形，标注了 P 波和 S 波到时，另有 641,025 条 P 波初动极性标签。[1]

配套论文把评估范围界定得更细。波形主要来自宽频带和短周期地震仪，采样率为 50 赫兹，并被切成 180 秒的窗口。事件震级介于 0 至 7.7，震中距介于 0 至 330 公里。[2] 这些细节决定了证据能够外推到哪里。在这些窗口上训练的模型，从规模庞大且与本地地理条件相关的档案中学到了经验；它的覆盖范围尚未延伸至所有传感器、噪声形态、台站条件和构造环境。

这套档案也保存了人的劳动。到时标签源自多年的编目报告，模型展现出的速度，建立在分析人员此前对震相起点的逐次判断之上。“地听”把这些积累起来的判断转化为可复用的训练材料。它的战略优势既来自算法，也来自制度积累：全国监测网络与持续编目的实践，能够产出大规模本地标签，新成立的模型团队很难从任何现成渠道直接取得同类资源。[1][2]

全国底座之上还要有区域拾取器

接下来的经验来自本地化。2023 年发表 USTC-Pickers 的研究人员报告称，PhaseNet、EQTransformer 等广泛使用的深度学习拾取器在中国数据上的表现会下降。他们先用“地听”数据训练一个共用的 U-Net 风格基础模型，再针对主要构造区微调 5 个版本，针对省级区域微调 33 个版本；另有两个专用版本，分别面向首都圈与中国地震科学实验场。[3]

这些区域版本比一个全国总分揭示了更多信息。波形的形态与噪声受仪器、地壳构造、台站选址、距离和当地事件分布共同影响。区域调优说明，实际部署面对的是一张由多种数据分布组成的地图，单一模型端点只覆盖其中一处。运维负担也随之增加：团队需要明确当前启用哪个拾取器、它由哪些区域数据继续训练，还要判断不断变化的台网是否已经越出其训练范围。

另一项对比研究把 7 种神经网络震相拾取器放在同一个“地听”基准上，同时测量准确性与计算成本。循环模型与 EQTransformer 在论文报告的 F1 对比中领先，轻量的 LPPN 系列速度最快；作者给出的实践结论是，使用者应按具体用途选择架构，各类约束会导向不同的答案。[4] 这些结果来自指定数据与 CPU/GPU 配置，距离实时台网可靠性的证据仍有一段路。它们真正揭示的是取舍：研究服务器上的首选模型，与小型低功耗台站盒中的首选模型会是两种答案。

小盒子改写了数据路线

“地听智能小盒”把这种取舍装进了硬件。项目团队在 2024 年 1 月的一篇报道中介绍了历时三年的工作：带标签的数据集、轻量震相拾取与快速震相关联被汇集起来，并做成一套软硬件系统。报道列出的功能包括从连续波形中探测事件、估算震级、标出 P 波与 S 波到时、识别初动极性，以及估算事件相对于台站的方位。团队称这些任务可以在数秒内完成，并以 2022 年泸定 6.8 级地震序列的分析作为科研应用实例。[5]

设备放在哪里十分重要。震相探测与初步特征提取若在台站附近完成，原始样本便能先得到一轮解释，网络也可以据此区分其紧迫程度。项目采用的边缘—云端设计，把多台站震相关联、自动定位和震源参数计算留给下游模块。[5] 这台小盒子承担的是更长链条中的第一棒计算接力，完整的地震判断仍由整套系统共同完成。

到 2025 年 4 月，北京市地震局表示，“地听智能小盒”已安装在多个地区的监测台站，并用于智能监测、业务会商和科普宣传。[6] 这可以确认设备已经分发，公开部署审计所需的信息仍然缺失。该页面没有列出台站清单，没有报告连续数据流上的误报，也没有公布端到端延迟，或对比安装前后的分析人员工作量。这些空缺指标，正是区分产品现身与运行成效的依据。

一次震相拾取是一项提议

项目团队自己的经历给出了最有力的提醒。2024 年的报道写道，早期轻量拾取器的准确率约为 60%；团队随后依托中国地震台网中心数据重做流程，历时近两年才把准确率提高到 85% 以上。同一报道还指出，AI 尚不能完全取代人工工作，并提到数据质量参差、模型缺乏透明度等问题，把人工复核列为应对误检的办法。[5]

这项提醒位于该案例的中心。一次震相拾取，是机器对有效能量从何处开始给出的提议。来自多个台站的拾取结果还要组合成一个符合物理规律的事件，定位结果需要吻合走时，震级与震源机制估算也各有验证要求。若再生成预警或应急产品，链条上还会增加延迟、阈值与责任要求。改善最前端的提议，可以加快后续每一步；置信度却无法沿着链条自动继承。

现阶段有意义的评估包括四部分。第一，在噪声占主导的连续台站数据流上测量召回率和到时误差，并把事件窗口测试纳入其中。第二，按地区、传感器类型、震级、距离和信噪比分层报告结果，避免平均值遮住难处理的台站。第三，除了震相拾取器分数，还要公布多台站关联后的假事件率与漏检率。第四，测量整条交接链路：从传感器到拾取、从拾取到定位、从定位到分析人员复核，再从复核到任何面向外部的产品。

2026 年 2 月，中国地震局的一篇综述称，一个规模更大、参数量达亿级的“地听”地震波形模型已经开放使用，并提供微调和推理流程；此前，其测试版本曾用于 2025 年定日 6.8 级地震的数据。[7] 这种扩展为任务间迁移留出了更多空间，边缘系统的基本要求仍然相同。每项结果依然对应一个传感器、一个时间戳、一个模型版本、一组地理条件和一项下游决策，而每一环都存在失效点。

“地听”最重要的贡献很容易被忽略。它让中国长期积累的地震记录有了一条返回原始台站的路线：目录标签变成区域拾取器，区域拾取器装进小型硬件，边缘结果随后与云端关联和人工判断汇合。照片里的盒子外形朴素，真正有价值的变化也很安静：地面的一次振动与第一份可供复核的事件记录之间，距离缩短了。

来源

1. 国家地震科学数据中心，《国家地震科学数据中心发布地听地震学训练数据集》（2022-01-14；官方中文发布，介绍数据来源、覆盖范围、标签与仪器类型）。
2. Ming Zhao 等，《DiTing: A large-scale Chinese seismic benchmark dataset for artificial intelligence in seismology》，Earthquake Science 36(2)，2023（数据集建设与评估范围）。
3. Jun Zhu、Zefeng Li 与 Lihua Fang，《USTC-Pickers: a Unified Set of seismic phase pickers Transfer learned for China》，Earthquake Science 36(2)，2023（全国基础拾取器与区域微调）。
4. Ziye Yu、Weitao Wang 与 Yini Chen，《Benchmark on the accuracy and efficiency of several neural network based phase pickers using datasets from China Seismic Network》，Earthquake Science 36(2)，2023（在同一数据上对比 7 种拾取器架构）。
5. 中国新闻网，《人工智能如何服务地震监测？》（2024-01-23；团队访谈、部署局限、泸定地震应用及“地听智能小盒”照片来源）。
6. 北京市地震局，《专业仪器变身科普助手 “地听智能小盒”首秀海淀地震科普宣传活动》（2025-04-03；官方部署状态说明）。
7. 中国新闻网，《地震预警、地震波大模型入选公众心中年度防震减灾科技成果》（2026-02-28；官方综述所载“地听”模型测试应用与开放流程）。