▋社科新人
青年是国家的希望和民族的未来。上海市一批青年才俊逐渐涵盖哲学社会科学各学科领域,形成了具有上海特色的青年学人共同体,这对于加强社科理论队伍建设和繁荣发展哲学社会科学发挥了积极作用。在中共上海市委宣传部的指导下,上海东方青年学社近日组织评选出了2022—2023年度“上海社科新人”，本报将陆续予以推介,聚焦其传承学术、创造思想、影响社会的使命担当。
本期推介的上海社科新人（2022—2023年度）是上海交通大学党委宣传部副部长、国际与公共事务学院教授潘浩之。其研究主要关注全球可持续治理、国际传播、数据驱动城市政策与人工智能交叉领域。潘浩之在美国伊利诺伊大学香槟分校获得区域规划博士学位，在博士后工作期间受美国国家超级计算中心（NCSA）首个社会空间超级计算机（ROGER）项目的支持。基于超算技术在社会计算中处理多源异构数据与实现复杂系统中长期预测的方法，潘浩之目前关注生成式人工智能在全球可持续治理中的应用。
原文 ：《技术应用：破解“被消音的灾难”困局》
作者 |上海交通大学国际与公共事务学院教授 潘浩之
图片 |网络
在全球可持续治理的学术研究与实践中，最先进的人工智能技术需优先应用于帮助全球最不发达的地区；最前沿的大模型方法需优先应用于解决全球最欠缺标准化数据的问题。当前，美西方主导的全球可持续治理实践，存在着数据鸿沟和英语霸权。全球南方许多欠发达、非英语国家经历的极端气候事件成为了“被消音的灾难”：它们真实发生，遭受巨大损失，却在全球视野和决策体系中近乎隐形。虽然技术赋能潜力巨大，但目前远未充分释放以弥合这一鸿沟。本文试图从多语言、多学科、多模态大模型的应用视角，切入这一核心矛盾，并提出批判性思考。
多语言大模型揭示“被消音的灾难”
当前全球可持续治理，特别是在气候灾害领域，深受以英语为主导的信息生态和主要由美西方国家塑造的治理结构的制约。这种“英语霸权”远不只是沟通障碍，它构成了一个系统性的筛选器。国际主流的气候灾害数据库（如EM-DAT）严重依赖英语信息源。发生在非英语地区，尤其是撒哈拉以南非洲、南亚或偏远岛屿的灾害事件，如果其记录不是英文的，就极难进入全球视野。
这种语言排斥机制造成了一种“代表性暴力”，系统性地边缘化了非英语世界的声音和经验，并带来了一系列危害后果。首先，它导致了全球风险认知的严重偏差，高估了发达地区的风险，而低估了最脆弱地区的真实威胁。其次，这种数据偏差直接影响了全球资源的分配。例如，国际组织应对气候灾害的政策性投资，因主要依赖英语灾损报告，会系统性低估低收入国家的实际气候风险。例如，同等强度的热带气旋，在菲律宾造成的经济损失能被完整记录的比例，远低于在美国被记录的比例。这种低估形成了一个恶性循环：欠发达地区国家风险被低估造成获得的气候融资和保险赔付不足，从而使得当地监测和应对能力无法提升，当下一次灾害来临时，社会经济损失更大、记录更不全。
“被消音的灾难”正是上述结构性不平等最直接的体现。它指的是那些在特定地理和文化背景中真实发生的、造成重大破坏的气候相关极端事件，但由于缺乏监测基础设施、信息传播渠道受限（尤其是非英语传播），或由于本土知识体系未被主流科学和媒体机制所承认，而未能被全球性的灾害数据库、媒体报道和国际援助体系有效捕捉和响应的灾难。
这种“消音”是双重的：一方面是事件的物理存在未被官方记录（如小规模洪水、区域性干旱）；另一方面是本土的、基于特定语言和文化的风险认知与应对智慧被排除在外。例如，乍得湖畔的牧民、索马里的部落长老可以通过传统智慧对自然现象理解，预判旱情与洪水。这些宝贵的本土知识，是脆弱社区数代积累的生存智慧，往往以地方语言口头传播或存在于特定文化语境中。然而，它们因为缺乏符合“主流”（即英文、量化、书面化）标准的记录形式，被排除在全球气候风险模型和早期预警系统之外。
多语言大模型的应用可以破解“被消音的灾难”困局，释放人工智能在全球可持续治理与公平正义上的潜力。这类人工智能技术的突破性在于其强大的多语言理解与生成能力，使其能够直接处理和分析海量的非英语信息源，包括本地新闻、社交媒体、社区记录，甚至尝试捕捉和转化部分口述传统知识。首先，多语言大模型能主动扫描和分析全球范围内多种语言的公开信息，识别出那些未被主流英文数据库收录的气候事件报告（如区域性洪水、异常干旱、特定作物的灾害等）。其次，多语言大模型的核心能力在于“理解”和“转化”。它们可以将非结构化的本土知识转化为结构化数据。例如，将乍得湖牧民的经验性干旱分级与卫星遥感获取的高分辨率干旱指数结合，能生成更符合当地实际、更精确的预警模型。最后，通过填补关键的数据空白和整合本土智慧，多语言大模型为全球南方和最不发达国家提供了更精准的本地化风险图景。这直接提升了这些国家进行灾害风险管理、规划适应措施以及争取国际气候融资时的数据主权和谈判能力。
多学科大模型破解学习治理经验量化困境
全球可持续治理的本质是协调自然系统与社会系统的深度互动，需要多学科视角理解和优化实践。以苏丹达尔富尔地区发生的水资源冲突与化解为例：水文模型可量化河水流量变化，政治学能分析条约法律效力，但当地部落与社区通过象征性互动建立信任的传统仪式等文化缓冲机制，却因难以量化而被主流模型忽视。这种割裂会导致治理智慧碎片化。例如，当工程师的设计方案未纳入人类学家对流域部落祭祀禁渔习俗的解读，生态保护规则便难以落地；当国际协议忽略社会学者对渐进式信任建立机制的研究，条约执行必然受阻。真正的可持续治理必须融合水文数据、制度设计、文化认知三重维度，方能应对气候变化下的复杂挑战。
本文提出的多学科生成式人工智能框架，利用自然语言理解技术将“本土文化适应”与“本地社区参与”嵌入传统量化学习模型。比如，将彝族祭水祭田神林祭祀等自然崇拜、石/木刻分水传统水资源管理技术解构为可执行规则，使云南跨境河流治理中的文化智慧转化为生态算法参数。通过技术适配与制度转译将中国环境协同治理的路径推广到全球可持续治理中。例如，将中国包含跨境水质联合监测、联合执法、生态补偿的阶梯合作的“渐进式信任建立”策略解构为机器学习特征，生成全球跨境水资源协同治理的磋商路线，为全球可持续发展贡献中国智慧和中国方案。
多模态人工智能应对数据真空
多模态大语言模型作为人工智能的前沿范式，具备同时解析文本、图像、音频等异构数据的能力，其核心突破在于构建跨模态语义关联。例如将卫星影像中的污染扩散模式与居民健康访谈记录建立因果映射，或从手机拍摄的烟雾视频中识别生物质燃料使用特征。这种技术超越了传统单模态分析的局限，为环境健康风险量化提供了新型认知框架。
当前全球环境治理面临的关键瓶颈是“数据真空”导致的评估盲区。这种真空本质上是结构性监测缺失：一方面，低收入地区普遍缺乏医疗档案、污染监测站等传统基础设施；另一方面，现有定量数据（如遥感影像）难以捕捉质性信息（如居民主观症状、非正规经济活动）。以尼日尔河三角洲原油泄漏为例，尽管卫星可追踪地表油污扩散范围，但当地医疗系统崩溃导致慢性中毒病例未被记录；同样，印度贫民窟露天焚烧塑料产生的空气污染暴露，因无官方健康登记而无法纳入全球疾病负担统计。这些缺失数据恰是弱势群体生存状态的核心维度，其被系统性遮蔽直接导致环境正义的失衡。
多模态大语言模型通过创新性数据融合机制突破此困境。在技术实现层面，计算机视觉可解码居民手机拍摄的炊烟图像，依据烟雾色度、流动形态等特征精准溯源燃料类型（如区分煤、木材或塑料），使能源贫困测绘精度提升；时空轨迹模型则整合低成本的GPS移动设备数据与红外遥感地表温度，重构非洲妇女采集燃料的路径网络，暴露其长时间高温暴露下的生存风险。这些技术将非结构化民间观察转化为可量化指标，填补了传统监测网络的裂隙。
人工智能在全球可持续治理中的根本价值，在于矫正被英语霸权与数据鸿沟系统性扭曲的知识生产体系。当前美西方主导的治理实践，因依赖英语信息源和忽视本土认知，导致全球南方脆弱地区的灾害遭受双重遮蔽：灾害事件本身因缺乏英文记录成为“被消音的灾难”。同时，地方智慧因非量化形态被排除于主流模型之外。这种结构性失衡不仅造成全球风险地图失真，更使气候融资分配持续偏离最需援助的群体。
本文提出的技术路径直指上述矛盾核心。多语言大模型通过解析本地新闻与口述传统，将全球南方非英语地区灾害更全面地纳入全球数据库，重塑国际机构的风险评估基础；多学科大模型将索马里长老的旱情经验、中国跨境河流协同治理中的“渐进式信任建立”策略转化为可计算参数，使文化缓冲机制获得更高的决策权重；多模态大模型则整合手机拍摄的炊烟影像、居民健康叙述与卫星数据，使传统监测与数据盲区中的生存风险转化为可行动的政策变量。
当牧民的本土观测实时修正气候模型，当边缘社区的视觉证据直接驱动能源政策，人工智能方能实现其重构全球可持续治理并保障公平正义的价值。技术必须服务于最脆弱群体的可见性，将曾“被消音的灾害”与“智慧”转化为全球可持续治理的重点关注。
治学谈：面对世界气候变化、地缘冲突、粮食安全等挑战，我聚焦以人工智能破解全球治理的结构性矛盾。中低收入岛国、高原及低地近极地区域因语言隔阂、设施匮乏，在“英语霸权”下沦为气候数据盲区。为此，本人运用“多模态-多语言-多学科”生成式人工智能大模型，挖掘全球所有国家与地区二战后70余年的可持续治理文字档案与气候事件预警信号，结合社会人口数据构建弱势群体风险图谱，开发适配全球各地语言文化的智能决策系统；建设开源多语言气候知识库，打破数据霸权，赋能边缘地区议程设置，促进和提升中国可持续协同治理最佳实践与气候科技的国际传播效能及全球话语权。
文章为社会科学报“思想工坊”融媒体原创出品，原载于社会科学报第1960期第3版，未经允许禁止转载，文中内容仅代表作者观点，不代表本报立场。
本期责编：潘 颜
《社会科学报》2025年征订
点击下方图片网上订报↓↓↓