紐約大學火災研究組（NYU Fire Research Group）開發了一套被佢哋稱為「火場數字孿生」（digital twin）嘅 AI 系統，話喺初步測試入面已經能夠近乎實時預測山火點樣蔓延。
呢套系統唔係靠歷史火災紀錄做訓練嘅一般機器學習模型。負責研究嘅 Panindre、Nair、Kumar 團隊話，佢哋嘅做法係將一個物理驅動嘅火災蔓延模型同 AI 層面配對：AI 層面會持續解算管轄火災傳播、燃燒、熱傳導、燃料類型、風速、地形坡度同已知火勢轉化閾值嘅方程式，用即時資料而唔係只靠歷史數據。Kumar 話：「我哋嘅系統唔係靠訓練資料堆砌，佢係基於物理。我哋用 AI 去解燒同蔓延嘅基本方程式，唔係只用傳統方法。」
平台顯示美國地圖，用户揀定火災位置、預測範圍同最多 12 小時嘅時間範圍，地圖會顯示喺該條件下嘅預測火線。系統會隨衞星、天氣、地形、燃料、城野交界、建築、關鍵基建、植被圖、無人機、地面感測器同前線隊伍嘅新數據持續更新。
另有一個類聊天機器人嘅自然語言介面，令用家可以直接問，例如「如果風向轉北，東側會點？」或者「邊度應該開防火線？邊個區域先疏散？」。系統會建議控制策略、疏散計劃同訓練情境，並引用消防部門程序同已發表研究，讓指揮官可以審視建議背後嘅推理。
研究團隊喺三場進行中嘅火災上測試：Oregon 嘅 Grasshopper Fire、Utah 嘅 Widemouth 2 Fire、New Mexico 嘅 Sacaton Fire。喺其中一次 Grasshopper Fire 測試，預測同實際火場區域嘅空間重疊對位率達到 94.6%。其他測試結果有差異，喺一次 Grasshopper Fire 預測入面，衞星觀測間隔拉長之後，對位率跌到 72.4%。
研究人員話，最令佢哋印象深刻嘅唔單止係預測準嘅面積比例，而係預測嘅形狀。模型冇將山火近似成一個粗圓，而係重現了真實山火喺地勢上留下嘅不規則、鋸齒狀邊緣。佢哋話呢個分別喺實際操作上至為重要。
研究者經 NYU 提交了美國臨時專利申請。
模姐驗嚇貨：呢個系統話自己唔係靠訓練數據，係用物理方程式做底。呢個係重要嘅區分——如果物理底層真係如佢哋所講，模型面對佢「冇見過」嘅條件時應該比純學習式模型穩，呢個係佢哋強調嘅核心賣點。但「基於物理」唔自動等於「準確」，94.6% 只係一個測試案例；72.4% 嗰次跌得幾多，就正正顯示衞星資料斷檔對結果嘅影響。對指揮官嚟話，72.4% 嘅對位率夠唔夠用，係一個值得追問嘅實際問題。
