NIST：'Safe Step'——逐步规划火灾动态疏散的 AI 模型

NIST（美国国家标准与技术研究院）于 2026年6月4日 推出了 Safe Step 系统，这是一个基于强化学习（学习通过奖励来决策）的 AI 模型，可在建筑物发生火灾时逐步计算最安全的疏散路线。该研究由 Hongqiang “Rory” Fang 与 Wai Cheong Tam 主持。

Safe Step 如何学习和决策？

Safe Step 依托强化学习——一种系统通过试错与奖励来学习决策的方法。该模型从两个来源学习：建筑平面图与 NIST 的火灾模拟，后者提供了火灾和有毒气体在不同空间中如何表现的数据。在此基础上，系统评估在建筑物中移动时下一步最安全的决策是什么，逐步构建路线，而不是预先固定地确定整条路线。

“逐步”是什么意思，传感器起什么作用？

Safe Step 的关键特性是其动态性。该系统利用来自配备传感器的”智能”建筑的实时传感器数据——温度与空气质量。它利用这些数据，随着局势发展持续更新疏散路线和动态出口标识。用户得到的不是一张静态逃生图，而是会实时变化、随时适应当前火势与烟雾状况的指引。

Safe Step 在哪些方面优于传统算法？

传统的疏散方法依赖于寻找到出口最短路线的 shortest-path 算法。Safe Step 在两方面更进一步。其一，它会预测火势将如何蔓延，因此选择路线时不仅依据当前状态，还依据预期的发展。其二，它依据 fractional effective dose（FED）——对有毒气体累积暴露量的度量——进行优化，选择该剂量最低的路线。由此，人的安全成为优先项，而不仅仅是距离。

什么是 fractional effective dose？

Fractional effective dose（FED）是火灾安全科学中的一个概念，它表示在暴露过程中人体内累积了多少有害气体，并以会导致失能的剂量的占比来表达。通过选择 FED 最低的路线，Safe Step 力求在逃生过程中尽量减少人对燃烧有毒产物的暴露。这是一个与单纯避火或寻找最近出口本质上不同的判据。

有哪些局限，预计何时投入应用？

Safe Step 仍处于早期阶段。它目前仅适用于单层平面图，而面向多层建筑及多人同时疏散（multi-agent）场景的研发才刚刚展开。NIST 预计实际应用还需 5 到 10 年。因此这是一项展示方向的研究成果，而非可供安装进建筑的成品系统。不过，火势蔓延预测、实时传感器与依据有毒剂量进行优化的结合，为未来的安全系统提供了一个前景可观的框架。