一次计算约需八分之一秒。根据研究团队在 2025 年的演示，MCU-Quake 在运行频率为 64 MHz 的 Arduino Nano 33 上处理地震数据，速度足以每秒更新一次推断结果。[3] 引人关注的是这次判断发生的位置：一枚小型微控制器，就在采集信号的仪器近旁。
中国科学院地质与地球物理研究所的 Zhi Geng 及其同事开发了 MCU-Quake，让模型学习区分环境噪声、采石场爆破和天然地震。研究所于 2025 年 2 月 17 日发布的介绍显示，这个网络仅有 2,693 个参数，训练使用的是犹他州的地震记录。[2] 这项工作为中国的科学 AI 研究带来了一种做法：把任务范围仔细收窄，让模型能够在配置有限的硬件上运行。
把问题收窄到芯片能处理的尺度
地震仪器记录地面运动，判断运动的来源则需要解读信号。MCU-Quake 回答的问题是：眼前这段信号属于哪一类。在进一步分析事件之前，这种区分就已有用途。
这篇发表于 2025 年 1 月 31 日的论文，以波形垂直分量的七秒滑动窗口作为输入。模型架构搜索同时权衡预测误差、模型大小和推断耗时。研究人员把准确率与计算代价一并纳入考量，在相互牵制的要求之间寻找实用的折中方案。[1]
硬件限制由此进入科学设计本身。若模型在下一次预定更新前仍未算完，等待处理的数据就会不断积压；若所需内存超过开发板的容量，再好的准确率也难以转化为实际运行能力。问题随之变得具体：在现有的时间和空间内，还能保留多少信号判别能力？
照片中的 Nano 33 BLE 让这些限制有了直观的尺度。Arduino 的规格表列出，开发板尺寸为 45 × 18 毫米，配备 256 KB SRAM 和一枚 64 MHz 处理器。[5] 产品照片展示了计算平台的大小。完整地震仪器的灵敏度则超出了这张照片能够说明的范围，仪器还需要适用的传感与采集硬件。
一个从数据中学到含义的数值
MCU-Quake 的特别之处，在于把输入压缩成单个数值表示，也称为嵌入（embedding）。据研究所介绍，在犹他州数据中，噪声的典型值接近 −5，爆破接近 2，地震接近 1。[2] 这些数值是网络学到的坐标。接近 1 的输出，不能解读为地震震级，也不能解读为 100% 的置信度。
可以想象一把刻度由样本训练得来的尺子，把陌生的声音放到尺子上：相似的样本应当落在相近的位置，不同类别应当拉开距离。这把尺子的用途在于它如何排列样本，尺面上的某个数字本身并没有物理含义。
后续判别依据这些学习所得数值的分布，评估信号更符合哪一类来源。论文明确展示了地震与爆炸信号的表示存在重叠，弱信号的重叠尤其明显。[1] 压缩后的表示让判别过程更便于检查，但仍有事件难以明确归类。
这一点关系到可解释性的含义。审核人员可以查看新信号相对于已知样本落在什么位置。单个标量所能解释的波形特征有限，类别重叠之处仍有待判断。简短的答案既能显露不确定性，也能将其遮蔽；最终呈现哪一种效果，取决于配套软件的设计。
小型开发板测试验证了什么
在 2025 年 3 月 9 日的介绍中，Geng 写道，团队使用分布式云计算演化生成轻量模型。他还报告，在 64 MHz 的 Arduino 上，每次推断耗时约 128 毫秒。[3] 耗费大量计算的搜索，与代价低廉、反复执行的推断，处于工作流程的不同阶段。
这正是它在应用上的吸引力：研究团队可以投入大量算力设计模型，再把体积很小的成果分发出去。部署后的开发板每次遇到地面运动时，只需运行已经选定的模型。与此同时，推断速度这一项测量本身，无法说明训练样本收集和系统维护的成本。
这 128 毫秒测量的是输入窗口已经备齐之后的计算时间。从断层破裂到向公众发出预警，还隔着数据采集、事件检测、通信以及后续核验等环节，各有各的耗时。这次演示验证的进展，是这一特定推断任务能够跟上预定的更新频率。[1][3]
平静时段会改变测试的含义
团队还使用全球地震数据集 STEAD，测试模型在犹他州以外数据上的迁移表现。[2] STEAD 的文档将地震记录与噪声记录分开，并提供元数据，供使用者按震级、震源距离等属性筛选样本。[4] 因而，一项测试结果究竟涵盖哪些信号，可以逐项核查；“全球”这一描述本身，尚不足以保证结果适用于每座台站。
MCU-Quake 论文的对比数据集中，噪声与地震波形样本数量均衡。[1] 实际运行的台站却会用远多于此的时间记录普通背景活动。即使分类器的条件错误率保持不变，值守人员面对的情况也会随样本比例改变。
以一组示意测试为例，其中有 100 个事件窗口和 9,900 个噪声窗口。假设分类器能检出 99% 的事件，同时把 1% 的噪声误报为事件，就会得到 99 次正确检出和 99 次误报。所有被标记的窗口中，一半是误报。这些数字仅用于解释，并非 MCU-Quake 的实测结果；它们说明，仅凭样本均衡的基准测试，还无法得出实际运行中的误报率。
在笔者看来，下一步最能说明问题的实验，应当是让模型连续处理漫长而平静的台站记录，然后同时报告每天的误触发次数与漏检事件。这样，微型芯片已展示的处理速度，就能与它给后续分析带来的工作量联系起来。MCU-Quake 把初步判断的计算成本降到了足够低，因而可以部署在传感器附近。它的长期价值，取决于这些判断有多少值得继续追查。
参考来源
- Zhi Geng 等，《将人工智能技术集成到物联网设备中，实现地震信号的实时判别》，Communications Earth & Environment，2025 年 1 月 31 日；涉及输入窗口、信号表示、硬件实验与评估设计。
- 中国科学院地质与地球物理研究所，《AI 助力边缘计算：微控制器上的实时震源判别》，2025 年 2 月 17 日；第一手中文介绍，涉及模型大小、学习所得数值和数据集。
- Zhi Geng，《融合 AI 与边缘计算：地球科学的下一代传感网络》，Springer Nature Research Communities，2025 年 3 月 9 日；作者介绍模型搜索与微控制器演示。
- S. Mostafa Mousavi 及合作者，斯坦福地震数据集（STanford EArthquake Dataset，STEAD）官方代码仓库文档；涉及地震与噪声记录，以及基于元数据的样本筛选，访问日期为 2026 年 9 月 23 日。
- Arduino，《带排针版 Arduino Nano 33 BLE》，官方硬件规格与产品照片；照片编号 ABX00034_02.unbox，访问日期为 2026 年 9 月 23 日。