花蓮萬里溪上游因大規模崩塌形成堰塞湖後，水位、壩體、降雨與下游橋梁安全迅速成為社會關注焦點。從空拍、光達、水位計到衛星傳輸，現代防災科技幾乎全員到齊。林業保育署最初空勘研判，崩塌面積約四十五公頃，目前地形因溪谷陡峭、林道中斷，人員與重型機具難以進入；後續則設置水位計，原則上每十分鐘回傳一次資料，並持續利用無人機影像交叉判讀。（林業及自然保育署花蓮分署，2026年6月）
這些工作當然重要。只是當大家看著螢幕上的水位曲線時，我們也可以後退一步問：一條河突然被土石攔住，我們究竟是在處理一座「天然水庫」，還是在面對一個仍然活著、仍會改變的山林事件？
堰塞湖不是山裡突然寄來的一張免費水庫兌換券。它比較像一位半夜臨時入住、脾氣還不太穩定的房客：行李堆在門口，屋頂不斷掉砂石，什麼時候退房也沒有交代。這時第一件事絕不是問它能不能幫忙灌溉，而是確認它會不會連房子一起帶走。
因此，討論萬里溪的水資源利用之前，我們恐怕必須先守住一條最基本界線：不能為了留下水，而刻意延長危險堰塞湖存在的時間；也不能在不穩定壩體附近架管、抽水或派員冒險施工。（Cencetti與Di Matteo，2022年8月）
但這不代表我們只能看著水流走。我查找國際上的幾個案例，提供了不同方向的思考。
以日本為例：儀器重要，資訊送到人才算完成
二○○八年岩手、宮城內陸地震後，日本確認多處河道遭土石阻塞。國土交通省派遣專家，設置水位計、伸縮計、監視攝影機與通訊設備，並將影像和監測資料傳送給縣市政府。（日本國土交通省，2008年6月）對高風險地點，則開設臨時排水路，清理下游既有砂防設施，以增加容納土砂的空間。（日本國土交通省，2009年4月）
日本案例的重要之處，不只是「裝了多少儀器」，而是監測、通訊、地方政府與現場應變形成一條連續的鏈。
感測器如果只把數字傳到中央某部電腦，它只是很勤勞地加班；只有當資訊能被地方理解、轉成封路、撤離與巡查行動，它才真正參與防災。（世界氣象組織，2023年5月）
以中國大陸為例：中國唐家山：不要把不可預測，誤認為不可處理
二○○八年汶川地震形成的唐家山堰塞湖，是當時規模最大的地震堰塞湖之一。應變工作包括開挖導流槽、持續監測、推估潰決洪峰及大規模疏散。（Liu等，2010年10月；Peng與Zhang，2013年2月）相關研究指出，六月十日排洪與壩體沖刷過程中沒有造成死亡。（Wang等，2015年4月）
只是唐家山規模巨大，不能簡單複製到萬里溪。國際案例不是工程型錄，不是看到別人挖了一條導流槽，我們就立刻找一部怪手上山。真正應該借鏡的是它的決策方式：資料要不斷更新，最壞情境要先計算，居民不能等到最後一刻才被通知。（Peng與Zhang，2013年2月）
以義大利為例：有時最聰明的工程，是先使用已經存在的東西
根據我事先查閱，找到二○一六年義大利中部地震後，Nera河峽谷發生落石與天然壩。（Romeo等，2017年5月）研究發現，當地既有的水力發電導流設施，恰好能削減流向天然壩的洪峰，降低水流對鬆散壩體的侵蝕力量。（Cencetti與Di Matteo，2022年8月）
這是一個頗有意思的例子。它沒有告訴我們凡事都要蓋一座更大的新設施，反而提醒我們：災害發生時，先盤點既有渠道、蓄水池、農塘、支流與安全取水位置，有時比急著提出一項億元工程更實際。
畢竟，真正聰明的系統不一定長得像科幻電影的控制中心。它可能只是幾個可靠的水位計、一座能沉砂的小池塘、一個在濁度過高時自動關閉的閥門，以及一群知道什麼時候不該去碰河水的人。
以美國為例：洪水不一定只能被趕走
加州推動的Flood-MAR，是把特定條件下的洪水導向農地、可管理的自然地景、氾濫平原或地下水補注區。它可以由大型公共計畫推動，也可以由個別土地使用者利用既有設施、小規模進行。（加州水資源部，2018年6月）加州水資源部門也明確與部落、地方政府、研究機構及地主合作，希望同時兼顧防洪、水資源、乾旱韌性與生態。（加州水資源部，2018年6月）
不是直接從危險堰塞湖旁拉一條水管，而是在地質與防災單位確認安全後，尋找下游適當河段，讓部分水流經過攔木、沉砂、離槽蓄水與水質檢測，再用於農田灌溉、濕地維持或地下水補注。
AI可以讀數據，卻不一定讀得懂一條河流的生活史
談到這裡，我那一顆動輒就會將思維轉到A哀的腦海出現了一種想像，便是我們是否可以把所有水位計、攝影機與雨量資料送進AI，然後期待它像山神一樣說出：「三小時二十七分後，請大家開始撤離。」
不過，當我終於夢醒時分後終於不情願地承認AI恐怕沒有這麼神，因為我們的山神恐怕也不願意背這個責任。
所以，我眼眶含淚、也很不甘願地認為，AI確實可以比較不同時間的空拍影像、偵測水線變化、計算水位上升速度，並在感測器資料互相矛盾時發出警示。但它所看見的世界，取決於人們放了什麼感測器、收集了哪些資料，以及誰設定「異常」的門檻。（Casagli等，2023；Sandric等，2024年6月）
一個模型可能知道二十四小時累積雨量，卻不知道某一道支流只要連續下兩個下午，第三天水色就會先改變；攝影機可以辨識裸露坡面，卻不一定理解某段河岸的水聲為何與往年不同；衛星可以看見大片崩塌，卻很難記得部落長者曾經說過，哪一處山壁在數十年前也發生類似變化。
真正重要的是：原住民長期累積的知識，往往不是把河流切成降雨、水位、土壤與植被四個獨立欄位，而是把季節、聲音、動物、植物、地形、耕作與人的行動放在同一套關係裡理解。（Mercer等，2009年11月；Hadlos等，2022年9月）
聯合國教科文組織也指出，原住民族與地方社群長期累積的環境知識，已被運用在氣候調適與災害準備；有效的方法並不是讓傳統知識服從科學，而是讓傳統知識、科學與政策共同創造解決方案。（UNESCO，2020年11月；Hiwasaki等，2014年12月）
問題不在西方科學，而在把它當成唯一語言
現代科學很強大。沒有光達，我們難以迅速掌握壩體地形；沒有水位計，就無法連續追蹤湖面變化；沒有水理模型，也難以估算洪水抵達下游的時間。（Casagli等，2023年；Peng與Zhang，2013）
但科學模型必須把複雜世界簡化才能作計算。簡化並不是錯誤，忘記自己正在簡化，才可能出問題。（Saltelli等，2020年6月）
當一張風險地圖畫出紅色、黃色與綠色區域時，地圖不會自動知道哪一條路是老人撤離時真正走得動的路；當AI判斷某個村落距離河道足夠遠，它也未必知道當地居民的農地、工寮、取水口與祭儀空間仍位於河川活動範圍。
科學可以測量距離，生活經驗則告訴我們那段距離對誰有意義。
因此，萬里溪真正值得建立的，不只是「AI智慧水網」，而是一套由部落共同參與的感測與判斷系統。感測器放在哪裡、什麼現象算異常、哪些位置需要人工巡看、警報應該使用什麼語言、誰負責確認老人是否收到訊息，都不能只由遠方的工程團隊決定。（世界氣象組織，2023年5月；Hiwasaki等，2014年12月）
設備不必非常昂貴。幾組太陽能水位與雨量感測器、攝影機、低功耗通訊、自動關閉閥門、土壤含水感測器，再加上手機或LINE通知，就可以先做出小型示範。（Ragnoli等，2020年5月；Kalyanapu等，2023年2月）真正昂貴的，往往不是設備，而是各單位不願共享資料、系統彼此不能說話，以及居民直到最後才被當成「被通知的人」。
雙向知識Two-eyed seeing ! 不是替科技穿上傳統服飾
我所說的「雙向知識、多面向學習」不是在AI系統首頁放一張圖騰，再請一位部落長者參加成果發表會。它至少應包括兩個方向：
第一個方向是現代科技進入部落，提供新的測量、記錄、模擬與通訊能力。（Casagli等，2023年1月）；第二才是部落的環境分類、歷史記憶、風險路徑與生活需求，反過來改變科技如何設計、資料如何解釋，以及政府如何決策。（Hiwasaki等，2014年12月）
兩者不是互相點綴，而是互相修正。（Tengö等，2014年3月）
萬里溪堰塞湖最後會如何變化，仍必須由地質、水利與防災專業持續判斷。但我們現在就可以確定一件事：一套只相信儀器、不理解生活場域的系統，與一套只相信經驗、拒絕測量的系統，都不夠完整。（Mercer等，2009年11月；Tengö等，2014年3月）
畢竟，感測器可以告訴我們水位上升了幾公分；AI可以發現壩體影像出現變化；部落居民則必然知道這個變化對農路、耕地、取水與日常生活究竟意味著什麼。因此，當這三種知識都同時坐在同一張桌子上，防災才不只是遠方的人觀看一條河，而是與河共同生活的人，重新取得判斷自己環境的能力。
＊作者為原傳媒AI系統建置者（一位曾被瞬間土石流淹沒腳踝的大學老師）
