你的洪水保险费率，还在依据一张1987年的地图定价。真正该取代它的是什么。
去年，我与美国东南部一家中型财产险公司的一位资深核保人面对面而坐。他身后的墙上钉着一张地图——真的是用图钉钉着的——显示的是他团队重点承保的一个沿海县的FEMA洪水区。我问他这张地图上一次更新是什么时候。
他笑了。"那张地图比我大多数分析师的岁数都大。"
他没有夸张。那张地图来自1992年。而他就用它——再辅以一些粗略的邮政编码平均——来为该地区数千户住宅的洪水风险定价。而这个地区曾遭受三场大型飓风重塑海岸线，新建的住宅区把湿地铺成了硬地，排水基础设施当初设计所依据的降雨强度早已不再符合现实。
那次谈话让我久久不能释怀。不是因为这位核保人不称职——他敏锐、经验丰富，而且深刻意识到这个问题。而是因为他所能用的工具来自一个不同的气候年代，而整个行业却没有清晰的路径去更换它们。
正是这一点促使我在Veriprajna的团队花了数月时间研究我们如今称之为"深度AI"的洪水核保方法——它融合了计算机视觉、卫星雷达和物理信息驱动的机器学习，能够在单栋建筑而非邮政编码的层面评估洪水风险。我在这里写了一篇关于整项研究的交互式概览，我钻研得越深，就越确信这不是一次锦上添花的升级。这是一个关乎偿付能力的问题。
那张对你撒谎的地图
关于FEMA洪水地图，有一点是大多数人——包括许多保险专业人士——没有充分认识到的：它们从来就不是为核保而设计的工具。
"百年一遇洪水"这一概念支撑着整个国家洪水保险计划，它代表着每年1%的洪水发生概率。听起来很罕见。但把这个概率放到30年期的按揭贷款上计算，你会得到26%的概率，即在贷款存续期内经历一次"百年一遇洪水"。这不是尾部风险。这是一次胜算略高于一半的抛硬币。
地图本身比这个概念更糟糕。约75%的FEMA洪水地图有五年以上的历史。有些可以追溯到20世纪70年代和80年代。它们没有考虑改变了排水格局的新建工程。它们没有考虑气候变化加剧的降雨。而且它们制造了我开始称之为"悬崖效应"的现象——一条二元的界线：一栋位于特别洪水危害区内一英尺处的房屋要为强制性保险支付数千美元，而位于该区外一英尺处的房屋却被划为风险极低。
水才不管地图上的界线。
近68%的洪水损失报告发生在FEMA划定的高风险洪水区之外。这些地图不仅仅是过时——它们是系统性地误导人。
结果就是一个建立在错误信息之上的市场。持有洪水保险的美国房主不足4%。不是因为他们鲁莽，而是因为地图告诉他们自己是安全的。
为什么68%的洪水损失发生在"洪水区"之外？
这个统计数据是我在研究中第一次遇到时让我怔住的。如果在看到数据之前让我猜，我可能会说20%，也许30%。但68%？这意味着大多数洪水损失对本应预测它们的系统而言是隐形的。
答案是一个水文学界之外大多数人从未听过的词：降雨型洪水。
FEMA地图为河流漫过河岸（河流泛滥型洪水）和沿海风暴潮建模。它们不会为这种情况建模：两个小时内六英寸的雨水落在一个每条车道、每个停车场、每片屋顶都是不透水地面的社区里。水无处可去。它积聚起来。它寻找最低点——那可能是离最近河流三英里之外某户人家下沉式的客厅。
我记得我的团队在一次深夜通话中为此争论。我们的一位研究员深入钻研过城市水文学文献，他一直坚持认为微地形——街道细微的坡度、车道是朝车库倾斜还是背离车库——对于降雨型事件而言，比与河流的距离更重要。我提出了反对。这听起来太细枝末节，在投资组合规模上不太可能有意义。
他调出了哈维飓风之后休斯敦的损失数据。逐个街区来看，损失差异极大。同一条街上、同一个邮政编码内、有着相同FEMA划分的房屋——一栋被淹了，一栋没有。差别往往只是几英寸的地面高程或邻居的一堵挡土墙。
就在那时我明白了：邮政编码平均不仅仅是不精确。它对于洪水风险而言，是一个根本错误的分析单位。
八英寸的革命
如果说有哪一个变量决定了一场洪水是麻烦还是灾难，那就是首层高程——地面与建筑物最低可居住楼层之间的垂直距离。
这里的数字令人震惊。将住宅首层抬高到基准洪水位以上仅仅一英尺，就能将年均损失降低约90%。一英尺。这就是一处不定时炸弹般的房产与一处极易承保的房产之间的差别。
然而，这个数字几乎从不出现在核保人的档案里。公共税务记录不会记录它。高程证书是昂贵的人工文件。传统模型只能靠猜测——比如假设某地区每栋住宅都有一个标准的一英尺高的架空层。
这正是计算机视觉改变一切的地方。
我的团队花了数周时间研究神经网络如何从Google街景图像中提取首层高程。这个过程之精妙让我感到意外。一个卷积神经网络查看一栋房屋的街景照片，识别出地面线、前门门槛、台阶。它估算出相机到建筑立面的深度。然后它运用基本的三角学——相机高度、俯仰角、像素位置——来计算入口高出街面的物理高度。
甚至还有一种极其简单的备用方法：数台阶。建筑规范规定标准踏步高度约为7英寸。到前门有六级台阶？那大约就是42英寸的首层高程。一个计算机视觉模型可以在数百万处房产上数台阶，而无需任何人离开办公桌。
为最低楼层高程估算而训练的神经网络，其平均误差已低至0.218米——约8.5英寸。这是厘米级的精度，覆盖整个大陆的规模，无需一次实地勘察。
当我第一次看到那个误差幅度时，我愣了一下。平均误差只有八英寸半，而这是从一辆汽车驶过时拍下的照片中推算出来的。把它与传统方法相比——那种方法假设一个邮政编码内的每栋房屋都有相同的高程特征。这根本不是同一个量级的比赛。
当你能穿透云层看清一切时会发生什么？
洪水核保有一个残酷的讽刺：你最需要看清地面上正在发生什么的时刻——在洪水期间——恰恰是光学卫星失明的时候。洪水伴随着云和雨。相机看不透其中任何一个。
合成孔径雷达才不在乎云层。
SAR卫星发射微波脉冲，这些脉冲能穿透云层、烟雾和大雨，然后测量反弹回来的能量。平静的水面像一面镜子——它把雷达信号反射到远离卫星的方向，在图像中表现为暗像素。干燥的陆地把信号散射回去，表现为亮像素。这种反差就给了你一张洪水地图，无论何种天气，无论白天黑夜。
我得承认，当我第一次接触SAR数据时，我觉得它很陌生。它看起来不像照片。它颗粒感强、有斑点、也不直观。但一旦你理解了它向你展示的东西，它就非同凡响——一只全天候的眼睛，能在一次洪水事件峰值后的数小时内绘制出它精确的覆盖范围。
复杂之处出现在城市里。城市洪涝会产生一种叫做"二次反射"的现象——雷达击中水面，从一堵建筑墙壁上反弹，再以高强度返回卫星。对一个天真的算法来说，这看起来就像干燥的陆地。这需要专门针对这些干扰模式训练的深度学习模型，才能正确识别城市内涝。传统的基于阈值的方法在这里始终失效。
当你把SAR与光学数据融合——用雷达实现全天候覆盖，用光学图像做光谱确认——即使在复杂的城市地貌中，分类准确率也超过92%。
为什么标准AI不能直接预测洪水？
这是我常被问到的一个问题，它揭示了对机器学习能做什么、不能做什么的根本性误解。
一个在历史洪水数据上训练的标准深度学习模型学习的是模式。它可能会学到靠近河流的房产更容易被淹，某些土壤类型与更高的损失相关，春季比秋季更糟。而对于看起来像训练数据的事件，它表现得相当不错。
但洪水正在以没有历史先例的方式变得越来越严重。一个纯数据驱动的模型遇到它从未见过的暴风强度时，要么会剧烈地外推，要么会退回到某种保守而错误的结果。更糟的是，它可能生成物理上不可能的预测——水凭空出现，或者往山上流。
一个从未见过五百年一遇暴风的神经网络，在遇到它时会产生幻觉。物理不会产生幻觉。
这正是为什么物理信息神经网络——即PINN——代表了洪水建模中最重要的架构进展。PINN不只是被训练去拟合历史数据。它同时被训练去遵守流体动力学定律：质量守恒（水不会凭空出现）和动量守恒（水往低处流，遵循重力和摩擦力）。
其技术实现在概念上简单得出人意料。网络的损失函数有两个组成部分：它对观测数据的拟合程度，以及它违反支配性物理方程的严重程度。在训练中惩罚对物理规律的违反，你就得到一个既由数据驱动、又受物理约束的模型。
实际收益是巨大的。PINN所需的训练数据要少得多，因为物理方程约束了解空间。而且它们能泛化到前所未有的事件，因为底层的物理规律不会改变——五百年一遇的暴风遵循与十年一遇暴风相同的流体动力学，只是输入不同罢了。
关于这些架构如何协同工作的完整技术剖析，包括支撑水文汇流的图神经网络背后的数学，我会请你参阅我们的研究论文。但对核保而言的关键洞见是：一个作为代理模型训练的PINN，可以实时为某处特定房产模拟数千种气候情景。你得到的不是一个静态的"AE区"费率，而是一份动态的、概率化的风险画像，它反映了水流经那片特定地貌、抵达那栋特定建筑的真实物理过程。
关于偿付能力的论点
我一直在阐述技术层面的理由，但让我来讲讲商业层面的，因为紧迫性正在于此。
房主保险综合成本率——衡量保险公司在核保上是赚钱还是亏钱的基本指标——近期平均为101.5%，并在2023年达到峰值110.5%。高于100%意味着你在亏钱。这个行业正在失血。
逆向选择正在把保险公司活活吃掉。当你在邮政编码层面为洪水风险定价时，你把山坡上的房子和洼地里的房子平均在了一起。洼地里的房主——他知道自己的地下室每逢大雨就被淹——会急切地按平均价格购买。山坡上的房主，正确地认为价格对其实际风险来说太高，就转身走了。你的风险池悄然聚集起了糟糕的风险，你的赔付率以一种直到下一次重大事件才会显现的方式恶化。
深度AI颠覆了这一动态。一家保险公司如果知道"高风险"区内的一栋房屋实际上高出基准洪水位四英尺，装有防洪通风口，并配备了抬高的暖通空调系统，就能以传统竞争对手不敢触碰的费率盈利地承保这份保单。这不是挑肥拣瘦——这是准确的定价。而且它在两个方向上都有效："低风险"区内那栋有下沉式车库、四周皆为不透水地面的房屋，会按其真实面目被定价。
根据20世纪80年代的纸质地图和邮政编码平均来核保洪水风险的时代，实际上已经结束了。问题在于哪些保险公司会最先认识到这一点。
这里还有一个再保险的角度。再保险公司——为保险公司提供保险的公司——正越来越多地要求直保公司的底层投资组合透明化。一个以像素级高程数据核保、通过卫星雷达监测的业务册，与一个按FEMA区定价的业务册，是根本不同的风险主张。更好的数据意味着更好的再保险条款，这意味着更好的资本效率，进而意味着竞争优势。它会叠加复利。
"但你能向监管者解释清楚吗？"
人们总是这样问我，这是个对的问题。随着AI成为影响某人能否负担得起继续住在自己家里的定价决策的核心，监管审查将会——也应该会——加强。
这其实正是物理信息模型相对于黑箱深度学习拥有意外优势的地方。PINN的预测植根于明确的物理方程——流体动力学的圣维南方程、质量守恒、动量守恒。当某个州的保险监管部门询问保费为何上涨时，保险公司可以指向一个具体的、经物理建模的水力风险："根据这些高程测量数据和这套排水拓扑，来自这片流域的水在这些降雨条件下以这一深度到达这处房产。"
这不是一种不透明的算法相关性。这是工程学。监管者懂工程学。
我开始把这称为"玻璃盒AI"——这类模型的推理是透明的，因为它锚定于已知的物理规律，而不仅仅是学到的统计模式。它与那个让所有人对高风险决策中的AI感到不安的黑箱问题恰恰相反。
接下来会走向何方
我觉得最引人入胜——也最具颠覆性——的概念，是我称之为"活的"风险模型。如今，洪水风险在保单起始时被评估，也许在续保时再回顾一次。它是一张快照。但风险是连续的。
如果一颗SAR卫星探测到某个地区发生地面沉降，受影响房产的风险评分就应该更新。如果一位邻居把一片透水的草坪铺成了硬地，整个微流域的地表径流特征就会改变。如果某个市政当局升级了雨水排水系统，排水盆地内的每一处房产都会受益。
一个活的模型把保险公司从赔付者转变为更像风险伙伴的角色。中期调整。主动预警。为保险公司能够通过航拍图像实际核实的减灾措施提供保费抵扣——防洪通风口已安装、暖通空调已抬高、透水地面得到维护。
这还使得洪水的参数化保险成为可能——当卫星确认在被保险坐标处的洪水深度超过某一阈值时，这类保单会自动赔付。无需理赔员上门。没有长达数月的理赔流程。在人们最需要的时候立即提供流动性。
我一直在想着那位墙上挂着1992年地图的核保人。他不是问题所在。他只是在用行业给他的东西工作。问题在于，行业迟迟没有认识到气候已经变了、数据已经变了、技术也已经变了——而核保基础设施却依然钉在墙上。
计算机视觉、合成孔径雷达和物理信息驱动的机器学习的融合，不只是改进了洪水核保。它是史上第一次让洪水核保成为可能。在此之前的一切，都是在一个粗糙到毫无意义的分辨率上进行有根据的猜测。接下来到来的是测量——逐栋建筑、逐英尺、逐场暴风——以一种把洪水风险从不可预测的灾难变成你真正能够定价之物的精度。
最先弄明白这一点的保险公司，将不只是拥有更好的赔付率。它们将拥有唯一说得通的赔付率。