AI 怎麼學會挑地震波的？

PhaseNet：把挑波變成一道「圖像分割」題

2019 年，史丹佛的 Weiqiang Zhu 和 Greg Beroza 提出了 PhaseNet。它最關鍵的一步， 是把「挑波」這個問題重新定義了。原本大家把挑波當成「在一長串訊號裡，精準找出某一個到達時間點」； PhaseNet 改成把它當成一道圖像分割題：逐點判斷「這裡屬於 P 波、屬於 S 波，還是什麼都沒有」。 這正好是 U-Net 這個網路結構的本行；U-Net 原本就是用來切割醫學影像，在 X 光和 MRI 裡圈出器官邊界。 挑地震波和圈器官邊界，本質上是同一種題目。

第二個改動沒那麼顯眼，但一樣關鍵。地震波到達的「正確時間」本來是一個單一時間點， 要模型精準命中這個點很難訓練：目標又尖又稀疏，差一點就幾乎全錯。 PhaseNet 把這個尖銳的時間點攤成一條高斯曲線： 以人工標記的位置為中心、兩側帶一點寬度，等於把「人工標記本來就會有的誤差」直接寫進訓練目標裡。 目標變寬，模型就有了容錯空間，也好訓練得多。

把三軸波形丟進 U-Net，輸出 P、S、雜訊三條機率曲線，哪裡的曲線衝高，就是那種波到了。 它用美國北加州幾十年累積的人工標記資料訓練，結果又快又準，準到後來幾乎成了整個領域的標竿： 新方法一出來，第一件事就是拿它跟 PhaseNet 比。

EQTransformer：把三件事拆開來做

2020 年，同一個圈子的 Mousavi 等人提出 EQTransformer，登上《Nature Communications》。

如果說 PhaseNet 證明了「深度學習挑波可行」，EQTransformer 想的是「能不能做得更聰明」。 它引進了當時席捲 AI 圈的注意力機制（attention，後來大型語言模型用的就是同一套底層想法）， 讓模型在看一段波形時，能同時權衡遠處和近處的線索。

它的關鍵設計，是把三件事拆開來做：偵測「這段裡到底有沒有地震」、標 P 波、標 S 波， 各自交給獨立的輸出分支（head），彼此不干擾。原因在於 PhaseNet 原本把 P 波、S 波、雜訊當成三個並排的頻道一起預測，但「有沒有地震」這種偵測訊號涵蓋整段事件、又寬又長， 份量遠比 P、S 那兩個又窄又小的高斯尖峰重；全部混在一起學，小小的 P、S 很容易被偵測訊號蓋過去。 拆成獨立的 head，每件事才能專心做好自己的。它用一個叫 STEAD 的大型公開地震資料集訓練， 資料量比 PhaseNet 當年又大了一截。

百花齊放之後的麻煩

PhaseNet、EQTransformer 之後，各種模型冒出來，這本來是好事，但很快撞上一個現實問題： 大家根本沒辦法公平比較。

每個模型用不同格式的資料、不同的前處理、不同的評分標準。你想知道 A 模型是不是真的比 B 好， 得先花好幾週把兩邊的資料管線、環境全部重搭一次。光是「把資料讀進來」這一步，就足以勸退很多人。 研究做不出可重現的對比，領域就很難往前。

SeisBench：地震 AI 的 USB 介面

2022 年，德國的研究團隊（Woollam、Münchmeyer 等人）推出 SeisBench，解決的正是這件事。

你可以把它想成地震 AI 的 USB：任何一個訓練好的模型（PhaseNet、EQTransformer 等等）、 任何一個公開資料集，都用同一種接法接上去。想換模型？改一行字。想換資料集？再改一行。 原本要搭好幾週的東西，現在幾行程式就跑起來，而且每個人跑出來的結果可以直接對比。

SeisBench 沒有發明新的挑波模型，但它做的事一樣重要：它把這個領域從「各做各的」變成 「人人能上手、結果能重現」。今天一個剛入門的學生，一個下午就能試完過去好幾篇論文的成果； 這在五年前幾乎做不到。

那接下來呢？

這幾年下來，AI 挑波從一個新點子，長成了開放又可重現的生態系。基礎設施鋪好了，門檻也降下來了。

但工具成熟，不代表問題都解決了。模型在某些情況下還是會出錯，例如 S 波振幅被壓抑， 或是遇到訓練時沒見過的地區與儀器就水土不服。基礎打穩之後，大家的注意力自然會從「能不能做」， 轉到這些更具體的毛病上。

想看 AI 挑波其中一個具體難題怎麼被拆解，可以接著讀：AI 為什麼老是漏看 S 波？ →