你的洪水保險費率，是根據一張 1987 年的地圖算出來的。看看該用什麼取代它
去年，我坐在美國東南部一家中型財產與意外險（P&C）保險公司的一位資深核保人員對面。他身後的牆上釘著一張地圖——真的是用圖釘釘上去的——顯示著他的團隊大量承保的一個沿海郡的 FEMA 洪水區。我問他這張地圖上次更新是什麼時候。
他笑了。「那張地圖比我大多數的分析師年紀還大。」
他並沒有誇張。那張地圖是 1992 年的。而他就用著它——再加上一些粗略的郵遞區號平均值——來為一個地區數千戶住宅的洪水風險定價；在這個地區，三場大型颶風重塑了海岸線，新開發的社區把濕地鋪成了柏油，而排水基礎設施當初的設計所依據的降雨強度，早已無法代表現實。
那場對話一直縈繞在我心頭。並不是因為那位核保人員無能——他頭腦敏銳、經驗豐富，而且對問題有深刻的認識。而是因為他所能取得的工具來自一個不同的氣候年代，而整個產業卻沒有清晰的途徑去取代它們。
正是這件事，促使我在 Veriprajna 的團隊花了數月時間研究我們如今所稱的洪水核保「深度 AI」（Deep AI）——這是電腦視覺、衛星雷達與物理資訊機器學習的融合，能夠在單一建築物的層級評估洪水風險，而非以郵遞區號為單位。我在這裡寫了一篇完整研究的互動式概覽，而我鑽研得越深，就越確信這並不是一項「有了更好」的升級。這是一個償付能力的問題。
那張對你說謊的地圖
關於 FEMA 洪水地圖，有一件事是大多數人——包括許多保險專業人士——都沒有充分意識到的：它們從一開始就不是為了作為核保工具而設計的。
「百年一遇洪水」的概念錨定了整個國家洪水保險計畫（NFIP），它代表每年有 1% 的淹水機率。聽起來很罕見。但把這個機率套用在一筆 30 年期的房貸上，你就會得到26% 的機率在貸款存續期間經歷一次「百年一遇洪水」。這不是尾端風險。這是一次勝算稍微高一點的擲硬幣。
地圖本身比這個概念更糟。大約 75% 的 FEMA 洪水地圖已有五年以上歷史。有些可以追溯到 1970 與 1980 年代。它們沒有把改變了排水型態的新建工程納入考量。它們沒有把氣候變遷加劇降雨的因素納入考量。而且它們製造出我開始稱之為「懸崖效應」的現象——一條二元界線：位於特殊洪水災害區（SFHA）界內一英尺的住宅要為強制保險支付數千美元，而界外一英尺的住宅卻被歸類為極低風險。
水不在乎地圖上的線。
將近 68% 的洪水損害通報，發生在 FEMA 劃定的高風險洪水區之外。這些地圖不只是過時——它們具有系統性的誤導性。
結果就是一個建立在錯誤資訊上的市場。只有不到 4% 的美國屋主投保了洪水保險。並不是因為他們魯莽，而是因為地圖告訴他們他們是安全的。
為什麼有 68% 的洪水損害發生在「洪水區」之外？
當我第一次在研究中遇到這項統計數據時，它讓我一時愣住。如果在我看到數據之前叫我猜，我大概會說 20%，也許 30%。但 68%？這意味著大多數的洪水損失，對於那個本應預測它們的系統而言，是隱形的。
答案是一個大多數水文學圈外的人從未聽過的詞：降雨型洪水（pluvial flooding）。
FEMA 地圖建模的是河流溢出河岸（河流型洪水）與沿海風暴潮。它們並不建模當六英寸的雨在兩小時內落在一個社區時會發生什麼事——在那裡每一條車道、每一片停車場、每一個屋頂都是不透水表面。水無處可去。它積聚起來。它會找到最低點——那可能是某人下沉式的客廳，離最近的河流有三英里遠。
我記得我的團隊在一次深夜通話中為此爭論。我們的一位研究員長期鑽研都市水文文獻，他一再堅持認為，對降雨型洪水事件而言，微地形——街道細微的坡度、一條車道是朝車庫傾斜還是背向車庫傾斜——比與河流的距離更重要。我提出了反駁。這聽起來太過細瑣，在投資組合的尺度上不足以有意義。
他調出了哈維颶風（Harvey）過後休士頓的損害數據。逐街區來看，損失極不均勻。同一條街上、同一個郵遞區號內、擁有相同 FEMA 劃定的房屋——一戶淹了，另一戶沒淹。差別往往只是幾英寸的高度，或是一位鄰居的擋土牆。
就在那時我明白了：郵遞區號平均值不只是不精確。對洪水風險而言，它從根本上就是一個錯誤的分析單位。
八英寸的革命
如果有一個單一變數決定一場洪水是小麻煩還是大災難，那就是一樓地面標高（First Floor Elevation）——地面與建築物最低可居住樓層之間的垂直距離。
這裡的數字令人震驚。把一戶住宅的一樓地面抬高至基準洪水標高之上僅僅一英尺，就能將年均損失（Average Annual Loss）減少大約90%。就一英尺。這就是一處「定時炸彈」般的房產與一處極易承保的房產之間的差別。
然而，這個數字幾乎從不出現在核保人員的檔案裡。公開的稅務紀錄不會記載它。標高證明（Elevation Certificate）是昂貴的人工文件。傳統模型只是用猜的——例如假設某地區的每一戶住宅都有標準的一英尺高架空層。
這正是電腦視覺改變一切的地方。
我的團隊花了數週研究神經網路如何從 Google 街景影像中提取一樓地面標高。這個過程優雅得令我驚訝。一個卷積神經網路查看一張住宅的街景照片，辨識出地平線、前門門檻與階梯。它估計相機到建築正面的深度。接著它運用基本的三角學——相機高度、俯仰角、像素位置——來計算入口相對於街道地面的實際高度。
甚至還有一種極其簡單的備援方法：計算階梯數。建築法規規定標準級高約為 7 英寸。到前門有六階階梯？那大約就是 42 英寸的一樓地面標高。一個電腦視覺模型可以在無人離開座位的情況下，計算數百萬處房產的階梯數。
為最低樓層標高估算而訓練的神經網路，其平均誤差僅為 0.218 公尺——約 8.5 英寸。這是公分級的精度，在整個大陸的尺度上，且無需任何一次現場勘查。
當我第一次看到那個誤差幅度時，我不禁再看了一眼。八英寸半的平均誤差，源自一輛駛過的汽車所拍下的一張照片。將它與傳統做法相比——假設一個郵遞區號內的每一戶住宅都有相同的標高輪廓。這根本不是同一個等級的運動。
當你能夠穿透雲層看見時，會發生什麼事？
洪水核保有一個殘酷的反諷：你最需要看清地面上正在發生什麼事的那一刻——洪水發生時——正是光學衛星失明的時候。洪水伴隨著雲與雨。相機兩者都無法穿透。
合成孔徑雷達不在乎雲。
SAR 衛星發射能穿透雲層、煙霧與大雨的微波脈衝，然後量測反彈回來的能量。平靜的水面像一面鏡子——它把雷達訊號反射離開衛星，在影像中呈現為暗像素。乾燥的陸地把訊號散射回去，呈現為亮像素。這種對比就為你提供了一張洪水地圖，穿透任何天氣，無論日夜。
我承認，當我第一次接觸到 SAR 數據時，我覺得它很陌生。它看起來不像一張照片。它顆粒粗糙、佈滿雜斑，且不符直覺。但一旦你理解它在向你展示什麼，它就非同凡響——一隻全天候的眼睛，能夠在一場事件達到高峰後的數小時內，精確繪製出洪水的確切覆蓋範圍。
複雜之處出現在城市。都市淹水製造出一種稱為「雙重反射」（double bounce）的現象——雷達擊中水面，從建築物牆面反彈，再以高強度返回衛星。對一個天真的演算法而言，這看起來就像乾燥的陸地。這需要專門針對這些干擾型態訓練的深度學習模型，才能正確辨識都市淹水。傳統以閾值為基礎的方法在這裡屢屢失敗。
當你把 SAR 與光學數據融合——用雷達提供全天候覆蓋，用光學影像進行光譜確認——分類準確率即使在複雜的都市地景中也超過 92%。
為什麼標準的 AI 不能直接預測洪水？
這是我經常被問到的一個問題，而它揭示了一個關於機器學習能做什麼、不能做什麼的根本性誤解。
一個以歷史洪水數據訓練的標準深度學習模型會學習型態。它可能會學到靠近河流的房產更常淹水、某些土壤類型與更高的損失相關、春季比秋季更糟。而對於看起來像訓練數據的事件，它的表現相當不錯。
但洪水正以毫無歷史先例的方式變得更嚴重。一個純粹由數據驅動的模型，在遭遇一場它從未見過的風暴強度時，要嘛會瘋狂地外推，要嘛會退回到某種保守而錯誤的結果。更糟的是，它可能生成物理上不可能的預測——水在沒有來源的情況下憑空出現，或是往上坡流動。
一個從未見過五百年一遇風暴的神經網路，在遭遇一場時會產生幻覺。物理不會產生幻覺。
這正是為什麼物理資訊神經網路（Physics-Informed Neural Networks）——PINN——代表了洪水建模中最重要的架構性進展。一個 PINN 不只是被訓練來符合歷史數據。它同時也被訓練去遵守流體動力學的定律：質量守恆（水不會憑空出現）與動量守恆（水往下坡流，遵循重力與摩擦力）。
其技術實作在概念上簡單得有些出人意料。網路的損失函數有兩個組成部分：它與觀測數據的吻合程度，以及它違反支配性物理方程的嚴重程度。在訓練過程中懲罰對物理的違反，你就會得到一個既受數據啟發、又受物理約束的模型。
實務上的回報是巨大的。PINN 需要的訓練數據少得多，因為物理方程約束了解的空間。而且它們能夠推廣到前所未有的事件，因為底層的物理不會改變——一場五百年一遇的風暴遵循與一場十年一遇風暴相同的流體動力學，只是輸入不同而已。
關於這些架構如何協同運作的完整技術剖析，包括用於水文路徑演算的圖神經網路（Graph Neural Networks）背後的數學，我會建議你參閱我們的研究論文。但對核保而言，關鍵洞見是這樣的：一個作為代理模型（surrogate model）訓練的 PINN，能夠即時為某一特定房產模擬數千種氣候情境。你得到的不是一個靜態的「AE 區」費率，而是一個動態的、機率式的風險輪廓，反映水流過那個特定地景、抵達那個特定建築物的實際物理過程。
償付能力論證
我一直在闡述技術上的論點，但讓我來闡述商業上的論點，因為這正是急迫性所在之處。
屋主保險的綜合成本率（combined ratio）——衡量保險公司在核保上是賺錢還是虧錢的基本指標——最近平均為 101.5%，並在2023 年達到 110.5% 的高峰。高於 100% 就代表你在虧錢。這個產業正在失血。
逆選擇正在把保險公司活活吞噬。當你在郵遞區號的層級為洪水風險定價時，你是把山丘上的一戶住宅與窪地裡的一戶住宅平均在一起。窪地裡的屋主——他知道每逢大雨自家地下室就淹水——會急切地以平均後的價格投保。山丘上的屋主，正確地認為這個價格相對於他實際的風險過高，於是掉頭離開。你的風險池悄悄地累積了不良風險，而你的損失率會以在下一次重大事件之前都不會顯現的方式惡化。
深度 AI 顛倒了這種動態。一家保險公司若知道某戶位於「高風險」區的住宅實際上高於基準洪水標高四英尺，裝設了防洪通風口，並配有抬高的暖通空調（HVAC）系統，就能以傳統競爭對手不敢碰的費率有利可圖地承保這份保單。這不是挑肥揀瘦——這是準確定價。而且它在兩個方向上都有效：位於「低風險」區、卻有下沉式車庫且四周皆為不透水表面的住宅，會依它實際的樣子被定價。
以 1980 年代的紙本地圖與郵遞區號平均值為基礎來核保洪水風險的時代，實際上已經結束。問題在於哪些保險公司會最先意識到這一點。
這裡還有一個再保險的角度。再保險公司——為保險公司提供保險的公司——正越來越要求對原保險公司底層投資組合的透明度。一本以像素級標高數據承保、並透過衛星雷達監控的業務帳冊，與一本依 FEMA 分區定價的帳冊，是根本上截然不同的風險命題。更好的數據意味著更好的再保險條件，這意味著更好的資本效率，這意味著競爭優勢。它會層層複利。
「但你能向監理機關解釋它嗎？」
人們總是這樣問我，而這是個對的問題。隨著 AI 成為影響一個人是否負擔得起住在自己家裡的定價決策之核心，監理審查將會——也應該會——加強。
這其實正是物理資訊模型相對於黑箱深度學習擁有意外優勢之處。一個 PINN 的預測植根於明確的物理方程——流體動力學的聖維南方程式（Saint-Venant equations）、質量守恆、動量守恆。當某州的保險監理部門詢問保費為何調漲時，保險公司可以指向一項具體的、經過物理建模的水力風險：「來自這個集水區的水，在這些降雨條件下、以這個深度抵達這處房產，其依據是這些標高量測值與這套排水拓撲。」
那不是一種不透明的演算法相關性。那是工程學。監理機關懂工程學。
我開始把這稱為「玻璃箱 AI」（Glass Box AI）——這類模型的推理是透明的，因為它錨定於已知的物理，而不僅僅是學習到的統計型態。它正是那個令每個人對高風險決策中的 AI 感到不安的黑箱問題的反面。
這將走向何方
我覺得最引人入勝——也最具顛覆性——的概念，是我會稱之為「活的」風險模型。今天，洪水風險是在保單生效時評估，也許在續保時再重新檢視一次。它是一張快照。但風險是連續的。
如果一顆 SAR 衛星偵測到某個地區的地層下陷，受影響房產的風險分數就應該更新。如果一位鄰居把一片可透水的草坪鋪成柏油，整個微集水區的地表逕流特性就會改變。如果一個市政當局升級了它的雨水下水道，排水盆地內的每一處房產都會受益。
一個活的模型，把保險公司從一個理賠付款者，轉變成更像一個風險夥伴的角色。期中調整。主動警示。為保險公司能夠透過航空影像實際驗證的減災措施提供保費抵減——已裝設防洪通風口、已抬高暖通空調、已維護可透水表面。
這也使洪水的參數型保險（parametric insurance）成為可能——當衛星確認在受保座標處的淹水深度超過一個閾值時，保單就自動理賠。無需理賠員探訪。無需長達數月的理賠流程。在人們最需要的時候立即提供流動資金。
我一直想著那位牆上掛著 1992 年地圖的核保人員。他不是問題所在。他只是在用產業給他的東西工作。問題在於，產業一直遲遲未能認清氣候已經改變、數據已經改變、技術也已經改變——而核保基礎設施卻依然被釘在牆上。
電腦視覺、合成孔徑雷達與物理資訊機器學習的融合，不只是改善了洪水核保。它讓洪水核保首次成為可能。在此之前的一切都是在一種粗糙到不足以有意義的解析度上進行有根據的猜測。接下來到來的是量測——逐棟建築、逐英尺、逐場風暴——以一種精度，把洪水風險從一場不可預測的災難，轉變成某種你確實能夠定價的東西。
最先想通這一點的保險公司，將不只是擁有更好的損失率。它們將擁有唯一說得通的損失率。