从警报到行动：MIT GenAI实验室的联合国救援案例研究

当灾难降临，分秒必争。在危机时刻，联合国项目服务署（UNOPS）始终在场，以快速响应为己任，协助联合国合作伙伴精准识别并优先解决受灾社区最紧迫的需求。其目标是提供快捷、高效且富有成效的援助，既满足当前的紧急需求，又为构建更加可持续的未来奠定坚实基础。UNOPS的评估工作依赖于运营主管手动读取接收到的预警信息，从数十个不同来源中核对各类数据，并主要依据经验与直觉作出能力决策。随着科技的不断进步——尤其是人工智能——UNOPS正积极探索如何以更智能、更迅速的方式应对突发事件。今年春季学期，一支由三名MIT学生组成的团队肩负起这一挑战。他们打造的工具“Augur”将初步、结构化的优先级分析所需时间从数小时压缩至约8秒。然而，这项工具真正的价值并不在于其运行速度本身。Augur还具备透明度、可追溯性，并确保人类始终处于决策流程的环路之中。由此诞生的工具，帮助运营团队从快速评估突发灾害的相关数据，迅速转而深入理解如何更高效地规划和分配资源。挑战：在瞬息万变的危机中进行人工分类与优先排序 该项目隶属于GenAI Lab——这是MIT数字经济发展倡议下，通过MIT斯隆管理学院开设的两门Action Lab课程之一。GenAI Lab将MIT学生团队与全球各地的组织紧密对接，共同设计并打造切实可行的人工智能解决方案，重点聚焦于战略落地与现实世界的影响。这门充满挑战且竞争激烈的课程，会为表现优异的项目颁发奖杯与荣誉。在课程的第一阶段，各学生小组将选定自己偏好的项目，并力求与那些能够提供机会，助力团队打造创新且有意义成果的机构展开合作。UNOPS指出，在灾难发生后的前24至48小时内，存在三大瓶颈：首先，信息量庞大且种类繁多，亟需快速对传入的各类信息与预警进行评估；其次，缺乏必要的背景信息——一条原始预警仅能告知发生了某件事，却无法揭示受影响的人口数量、受损的基础设施，以及哪些UNOPS的能力真正适用；第三，从事件到行动之间缺乏清晰、系统化的路径。要将UNOPS的能力与灾难场景精准匹配，完全依赖于资深运营主管的专业知识，却缺乏审计追踪机制，也未形成统一、标准化的操作流程。跨职能团队——菲利普·齐内劳夫、贝特塞加乌·沃索罗和赫伯特·特劳布——经过深思熟虑，最终选择了UNOPS。齐内劳夫解释道：“这正是一个绝佳的机会——让我们运用自身的技术专长，帮助一线运营人员更快地为身处困境的民众提供援助，而不是仅仅在营利性背景下小幅提升效率指标。”打造解决方案：将预警转化为有据可依的决策 该团队将此问题定义为决策支持问题，而非自动化问题。我们的目标并非取代运营主管，而是帮助他们从原始、杂乱无章的预警，迅速过渡到经过评分、优先排序、并附有可追溯证据的建议，从而在早期行动的关键窗口期内完成决策。开发过程被拆分为两项相互衔接的工作：第一项是大语言模型工程。团队构建了一个提取层，能够从多种来源读取非结构化、多语言的报告，并将每一份报告转化为结构化的“灾害档案”，精准捕捉灾害影响信号、受灾人口、基础设施受损情况以及各项运营约束。随后，这些档案会依据最先进的研究方法，针对灾害影响程度与紧急程度进行评分。第二项工作则采用了检索增强生成（RAG）架构。团队建立了一个向量数据库，收录了来自73个国家、历时17年的405份历史UNOPS响应。每当出现新事件时，系统会检索最近的先例，并生成按等级排序的建议，其中每一项主张或可追溯至真实的过往案例，或源自UNOPS的明确授权指令。评分、证据分级与验证均基于确定性代码运行，确保系统可审计，同时避免过度自信。其中一项颇具挑战的问题便是验证环节：由于缺乏用于衡量“正确”UNOPS响应的基准数据集，团队构建了五种情景下的黄金标准，并进行了大规模测试。在高风险的环境中，任何虚假数据或错误推荐都可能误导实际响应，因此这种严谨的实践态度至关重要。”沃索罗表示。认识Augur：一款助力高风险决策的工具 结果就是Augur——一款由大语言模型驱动的决策支持引擎，其工作流程可分为两个阶段：第一阶段为灾害档案编制与评分。该系统将接收到的预警转化为标准化的灾害档案，并计算出综合性的影响与紧急程度评分。第二阶段为能力匹配与建议生成。在此阶段，RAG引擎会逐一分析每一份档案，从其庞大的历史数据库中检索出与之最为相似的5项UNOPS操作，并根据证据强度对建议进行分级排序。这两个阶段最终汇聚于一个统一的排名式预警仪表板中，每个事件都会以卡片形式呈现，卡片上不仅包含其档案信息、影响评分，还标注了对应的层级排序建议。此外，卡片还会显示置信度、注意事项以及下一步行动方案。这一层级化框架有助于UNOPS快速做出决策：它能够区分直接的先例——例如同一国家或同类灾害中此前发生的类似事件——与类比事件——即同一种灾害类型，却发生在不同的地区。若历史匹配案例有限，则系统会借助策略性推断来填补空白。这一框架源自与UNOPS团队的深入交流，也与资深运营主管在面对新事件时的思考方式不谋而合。成果：一套可部署的灾害应对系统 Augur是一个完整运转的端到端流程，不仅拥有详尽的历史灾害干预向量数据库，还提供了针对典型灾害的验证报告。在测试过程中，决策时间从每条预警的数小时缩短至约8秒。在所有评估场景中，从未出现过虚假案例的引用。每一条建议都可追溯至真实的过往先例，或源自明确的授权条款。该系统的设计理念是：天然地融入UNOPS现有的技术栈中。当输入数据不完整或已退化时，系统会主动识别自身的缺失之处，而非凭空捏造数据。团队认为，这一设计选择至关重要——因为误导性的输出反而可能偏离真正的救援方向。UNOPS与GenAI Lab的合作历程 UNOPS与GenAI-Lab团队一致认为，持续的沟通是他们取得成功的关键。在整个项目过程中，UNOPS始终深度参与其中，他们的反馈实时塑造了设计决策。UNOPS计划将Augur部署于自身的技术栈中，让运营主管得以利用该工具，针对各自辖区内的各类灾害作出快速响应。 “这款工具无疑能够帮助我们解决UNOPS所面临的诸多实际问题。”UNOPS全球IM与分析顾问罗里·柯林斯表示，“在24至48小时内，这对我们的运营团队而言至关重要。因此，这个团队能够将决策时间缩短至约8秒，并辅以完善的审计追踪，实属一大胜利。” “这款工具真正的价值，不仅在于其大幅提升了分析效率，更在于它以一种透明、可审计、且易于解读的方式完成了这一转变。”UNOPS应用研究负责人莱昂内尔·弗拉尼耶表示，“这为我们从数据走向可执行的优先级排序奠定了坚实的基础，并使我们能够与客户深入探讨，探讨UNOPS的影响力究竟在哪里最为关键。”超越一堂课，收获深远意义 对于齐内劳夫、沃索罗和特劳布而言，这个项目让他们有机会在真实约束条件下，与真正的合作伙伴携手打造具有深远意义的成果。同时，这个项目也深刻改变了他们对人工智能开发的普遍认知。正如他们所说，这个项目向我们展示了“一条切实可行的道路，用以推动生成式人工智能的应用……”