凌晨2点17分，该市消防指挥中心的大屏幕上弹出一条预警：老城区某城中村的一栋自建房被标记为"极高风险"，建议立即派员核查。预警依据不是有人报警，而是AI综合了15项指标后得出的判断——房屋建成超过40年、最近三个月用电量异常增长、周边500米内有废品回收站、最近一次消防检查已经是两年前。一小时后，消防监督员赶到现场，发现该出租屋的电表箱已经发烫，电线接头有明显烧焦痕迹。一起可能发生在凌晨的火灾被阻止了。
防火检查的"人海战术"困境
该市常住人口已突破900万，各类建筑超过80万栋，其中依法纳入消防安全重点单位管理的场所就有2.8万家——大型商场、高层写字楼、化工厂、养老院、学校、医院、KTV、老旧小区……每一个场所都可能成为火灾的起点。
但全市消防救援支队的防火监督员只有47人。这意味着每人平均要负责约600家重点单位。即使全年无休，每家单位一年也轮不到一次检查。实际工作中，防火检查全靠"经验排序"——哪类场所最近出了大事故就重点查哪类，哪些单位被群众举报了就优先查。至于"哪些场所近期最可能发生火灾"，基本靠猜。
支队防火监督处处长赵旭东形容这种状态是"坐等起火再救火"："我们更像一支急救队而不是预防队。数据告诉我们80%的火灾是可以预防的，但我们的人力只够覆盖其中20%。如果能把有限的人力精准投放到那些最可能发生火灾的地方，效率能提高好几倍。"
用AI绘制城市的"火灾风险地图"
EIOS火灾风险智能预测系统的基本逻辑是：将全市划分为500米×500米的网格，为每个网格计算一个动态的火灾风险评分（0-100分），每日更新。评分依据融合了五大数据维度：
一是建筑特征维度，包括建筑年代、结构类型、耐火等级、使用性质、层高、是否存在"三合一"（住宿与生产、仓储、经营混合）情况等。70年代建造的砖木结构老旧住宅的风险分天然高于2010年后建造的钢筋混凝土高层住宅。
二是设施设备维度，包括消防设施完好率、电气线路老化程度、燃气管道服役年限、电梯维保记录等。通过对全市电气火灾监控系统、智慧用电监测设备数据的接入，系统可以识别出电流异常、电弧故障、过载运行等电气隐患信号。
三是人员行为维度，包括人口密度、老龄化比例、流动人口占比、是否有群租现象等。城中村和群租房是火灾高发区，系统通过用水、用电数据和房屋中介信息间接识别群租行为。
四是环境因素维度，包括季节、气温、湿度、风力等。冬季取暖季和夏季用电高峰是火灾高发时段；大风天气下火灾蔓延速度显著加快。
五是历史数据维度，包括过去10年该市每一起火灾的发生地点、原因、损失、时段，以及全国范围内同类场所的火灾案例库。
AI看到的人看不到的关联
单一维度的火灾风险评估并不难——老房子比新房子危险，化工厂比办公室危险。真正的难点在于跨维度关联。一栋90年代的住宅楼，消防设施完好，住户稳定——单独看每一项都正常。但如果加上"最近三个月夜间用电量增长了40%"和"该楼栋有3户正在进行装修"这两个变量，情况就完全不同了——装修可能导致电气线路改动，夜间用电量增加可能意味着群租行为。这才是真正的火灾隐患。
EIOS的跨维度关联分析引擎在运行半年后，发现了23条人工经验中从未总结出来的风险规律。例如：学校周边的"小饭桌"托管班（通常隐藏在居民楼内，无消防审批）、外卖骑手聚集的电动车充电点（电池集中充电的火灾风险）、电商促销节后的仓储场所（库存激增导致通道堵塞风险）。
这些关联规律被固化到预测模型中，使模型的风险识别能力从上线时的"明显风险不漏"逐步提升到"隐性风险可查"。赵旭东说了一句很有意思的话："老消防员凭经验知道哪些地方容易起火，但他的经验在他退休的时候就带走了。AI把经验变成了可传承、可复制的知识。"
从被动响应到主动预防
风险评分不是目的，行动才是。EIOS系统每天早上6点会自动生成一份"今日重点关注清单"，列出未来24小时内风险分最高的前100个网格及其中的重点单位。防火监督员根据这份清单安排当天的检查计划，而不是漫无目的地"巡街"。
这种"精准防火"模式带来的变化是系统性的：检查覆盖率从过去每年不到30%提升到95%以上（因为不再需要对所有场所平均用力），隐患发现率从41%跃升到92%（因为检查方向准确），火灾起数同比下降37.2%（因为大量隐患在酿成火灾前被消除），消防监督员工作满意度明显提升，因为他们不再怀疑自己的检查是否"有用"。
更重要的是，系统的预警是动态更新的。当一个区域正在进行大规模旧改拆迁时，系统会自动上调该区域的风险评分（拆迁过程中的明火作业和临时用电增加火灾风险），提醒监督员加强巡查。当梅雨季节过后高温来袭时，系统会自动上调老旧小区的风险评分（天气转热后用电负荷骤增）。
当119电话响起之前
除了宏观层面的风险预测，EIOS还在推进微观层面的"火前预警"。全市已经在老旧小区、"三合一"场所、养老院等火灾高危场所安装了超过50万个独立式感烟探测器和电气火灾监控设备，全部联网接入EIOS平台。
当某个烟感报警时，系统不是简单地弹出一条报警信息，而是自动执行四个步骤：一是交叉验证——同一区域其他烟感是否同时报警？否，则可能只是炒菜油烟或蒸汽触发，过滤掉；是，则触发二级响应。二是关联数据查询——该地址的建筑信息、消防设施状态、是否有老弱病残人员。三是最优出警路径计算——考虑实时交通路况，为最近的消防站规划最快到达路线。四是关键信息推送——将建筑结构图、消防水源位置、危险品储存信息等自动推送到出警人员的移动终端上。
从报警触发到出警方案生成，整个过程不超过300秒。而过去从接警到到达现场的平均时间是15分钟——这15分钟里，火势可能已经扩大了好几倍。
消防AI的未来：从一座城到一个省
该市的成功试点已经引起了省级消防总队的关注。省总队正在规划将EIOS火灾风险预测系统扩展到全省14个地市州，构建省级消防大数据平台。这将实现跨城市的消防资源调度——当某市发生重大火灾时，相邻城市可以提前预警并准备支援。
更深远的愿景是：将EIOS的预测能力从"事发前24小时预警"逐步推进到"月度风险趋势预测"和"年度消防规划建议"。比如通过预测某个城区未来三年的火灾风险变化趋势，指导消防站的选址布局和装备采购计划。
赵旭东说了一段令人印象深刻的话："我们做了几十年防火工作，一直在和不确定性做斗争——不知道火灾会在哪里发生、什么时候发生。AI第一次让防火工作有了确定性：你可以在火还没烧起来的时候，就知道它最可能的起点在哪里。"
赵旭东的办公室里放着一本厚厚的《火灾案例分析汇编》，里面记录了过去十年全市每一场重大火灾的原因、过程和教训。他说，这本书过去是防火监督员的"必修课"——每个人都得读完，试图从别人的教训中找出规律。但人的信息处理能力有限——一个监督员最多能记住几十个典型案例，而AI可以把十年间几千场火灾的全部数据编织成一张风险网络。"AI不仅记住了所有的案例，它还在不断发现新的关联——比如老旧小区的电动车充电行为和冬季火灾之间的因果关系、大型商超促销期仓储密度与疏散通道被占用的概率之间的关系。这些规律我们过去'凭感觉知道'，但说不清量级和概率。现在每一条规律都有数据和置信区间——这就是从经验到科学的跨越。"他还特别强调，消防AI的终极目标不是抓隐患而是消灭隐患。"在火还没烧起来的时候阻止它——这是我们这个职业的最高追求。AI帮我们离这个目标近了一大步。"
赵旭东的办公室里放着一本厚厚的《火灾案例分析汇编》，里面记录了过去十年全市每一场重大火灾的原因和教训。他说，这本书过去是防火监督员的"必修课"——每个人都得读完，试图从别人的教训中找出规律。但人的信息处理能力有限——一个监督员最多能记住几十个典型案例，而AI可以把十年间几千场火灾的全部数据编织成一张风险网络。"AI不仅记住了所有案例，它还在不断发现新的关联——老旧小区电动车充电行为和冬季火灾之间的因果关系、大型商超促销期仓储密度与疏散通道被占用的概率之间的关系。这些规律过去我们'凭感觉知道'，但说不清量级和概率。现在每一条规律都有数据和置信区间——这就是从经验到科学的跨越。"
"AI第一次让防火工作有了确定性——你可以在火还没烧起来的时候，就知道它最可能的起点在哪里。"
——市消防救援支队防火监督处处长 赵旭东