轩峰和老张带着川西采集的地震能量数据回到公司时，小李已经整理好了之前的历史数据和实验室模拟数据，研发团队立刻投入到“城市应急AI系统”的优化工作中。数据导入系统的第一天，团队就遇到了难题——川西采集的实地数据里，包含了多种复杂地质结构下的能量波动信号，和实验室里单一环境模拟的数据差异很大，直接套用原有的算法模型，预警误差比预期高了近15%。
“问题出在算法对‘真实地质干扰信号’的过滤上。”轩峰盯着电脑屏幕上的波形图，指着其中一段杂乱的信号说，“实验室里没有考虑到岩层摩擦、地下水流动这些干扰因素，导致实地数据进来后，系统把这些干扰当成了地震前兆信号，才会出现误差。”
团队围着会议桌讨论了一上午，最终决定调整算法的“信号识别权重”——轩峰提出，结合之前做AI武脉监测时“区分不同能量波动”的经验，给实地采集的“有效地震信号”（比如岩层断裂前的低频振动）更高权重，同时加入“干扰信号过滤模块”，把地下水、风吹震动等无关信号排除掉。
接下来的三个月，团队几乎天天泡在实验室里。轩峰每天除了调整算法参数，还会拿出从川西带回来的震纹石，偶尔握着石头感受微弱的能量波动——这让他更直观地理解地壳能量的变化规律，好几次在算法卡壳时，都是这种“感知”帮他找到调整方向。比如有一次，系统对“微震信号”的识别总是延迟，轩峰想起老人说“微震前地下会有细微的‘嗡嗡’感”，便让团队在算法里加入了“低频微震信号优先捕捉”的逻辑，果然解决了延迟问题。
三个月后，“城市应急AI系统”的优化终于完成，团队第一时间进行内部测试。小李在控制台输入“模拟4级地震，震中位于市区东部老城区”的指令，屏幕上的系统界面瞬间跳转——左上角的预警倒计时开始跳动，10秒后，界面弹出红色预警框，同时标出震中位置、预估影响范围，下方自动生成三条救援路线：第一条通往震中附近的小学，第二条连接老城区的社区医院，第三条避开了几栋标注为“危房”的建筑，直接通往开阔的应急避难所。
“预警时间正好10秒！路线也避开了所有危险区域！”老张盯着屏幕，声音里满是兴奋，“之前模拟3级微震时，预警时间甚至能到12秒，完全够周边居民反应！”
小李赶紧把测试结果记录下来，补充道：“我刚才查了老城区的建筑数据，系统标注的‘危房’都是住建部门登记过的，救援路线也和消防部门的现有通道完全匹配，不用额外调整路线规划！”
内部测试通过的第二天，政府派了三位应急管理领域的专家来验收。专家们没有提前通知，直接在系统里随机输入了三种不同场景的模拟指令：郊区5级地震、市区边缘3.5级地震、地下管线破裂引发的“类地震振动”（模拟燃气泄漏导致的地面震动）。
前两种场景下，系统分别提前9秒和11秒发出预警，生成的救援路线不仅优先覆盖了学校、医院等重点区域，还标注出了“临时物资投放点”；第三种“类地震振动”场景中，系统很快识别出这不是地震信号，弹出“非地震异常振动，建议排查地下管线”的提示，精准避开了误判。
“这个系统的预警精度和路线规划科学性，超出了我们的预期。”带头的专家放下手里的测试报告，对轩峰说，“特别是对‘非地震干扰信号’的识别，避免了不必要的恐慌，很实用。后续只要再结合更多城市的实地数据做微调，就能正式上线应用。”
轩峰点点头，回应道：“我们后续会持续收集不同地区的灾害数据，比如南方洪水的水流速度信号，进一步完善系统的灾害应对范围，确保系统能真正帮到应急救援工作。”
验收结束后，团队成员都松了口气，小李抱着测试报告笑着说：“终于能好好休息两天了！等系统上线，咱们也算为城市安全做了件实事！”轩峰看着团队兴奋的样子，心里也踏实下来——从最初的方案设计，到川西采集数据，再到现在系统研发成功，每一步都没白费，接下来就是准备系统上线的衔接工作了。