當糧食開始消失：AI 已經在模擬飢荒、戰爭與社會系統如何一起失去穩定

文明要崩潰，一定得先發生一場巨大的世界末日事件嗎？

不一定。

有時候真正危險的不是某一個系統瞬間歸零，而是原本彼此支撐的系統開始互相拖垮。

例如：

乾旱或戰爭
↓
農業生產下降
↓
糧食供應變緊
↓
價格上升
↓
家庭購買力下降
↓
營養惡化與人口遷徙
↓
社會與政治壓力增加
↓
衝突進一步惡化
↓
道路、港口與農業再次受損
└────────────────↺

這就是一個 Feedback Loop。

真正麻煩的是，一旦這種循環啟動，後面的危機可能已經不再由最初那個 Shock 單獨決定。

旱災可能已經結束，但物流還沒有恢復。

糧食可能還存在，但人買不起。

農田甚至可能完好無缺，但通往城市的道路被戰爭切斷。

於是糧食問題開始從 Agriculture Problem，變成一個 Systemic Risk Problem。

而到了 2026 年，研究者與人道組織已經開始用 AI、Machine Learning、Network Model、Agent-based Model 與 Scenario Simulation 去研究這些連鎖效應。

不是為了算出『文明滅亡日期』。

而是希望在系統真正跨過危險門檻以前，先看到它正在失去穩定。

最反直覺的一件事：不需要炸掉很多農田，就能讓糧食系統非常脆弱

2026 年 7 月，Communications Sustainability 發表了一篇研究，分析武裝衝突如何影響 Sahel 與 Lake Chad Region 的糧食系統。

研究者把幾種資料疊在一起：

Staple Food Supply
+
Food Demand
+
Road Network
+
Armed Conflict Events

接著用 Gravity Model 估算哪些糧食剩餘地區可能把 Calories 運往哪些不足地區，再利用 Minimum-cost Path 找出可能的運輸路徑。

最後再問一個問題：

這些食物到底有多少必須經過衝突區？

結果非常有意思。

武裝衝突影響區直接與整個研究區域農地重疊的比例只有：

3.9%。

如果只看農地，你可能會想：

『那還好啊，大部分農田沒有被直接打到。』

但當研究者把 Food Flow 加進模型後，情況完全不同。

91.3% 的模擬糧食運輸路徑會與衝突影響區相交。

總共有 462 條模擬流動路徑受到這類 Exposure。

在 Nigeria，模型中的 324 條糧食流動路徑甚至全部與衝突影響區相交。

這透露出一件非常重要的事：

糧食系統的脆弱點不一定在農田，而可能在 Connection。

一座城市不需要沒有食物，只需要食物進不來

這其實和現代城市文明的運作方式非常有關。

城市很少依靠自己行政範圍內的農地生存。

它依賴一整套網路：

Farm
↓
Local Road
↓
Regional Highway
↓
Warehouse
↓
Processing
↓
Wholesale
↓
City
↓
Retail

任何一個節點出問題，都可能被整條供應鏈放大。

Sahel / Lake Chad 研究估計，大約 52.1% 的 staple food calories 可以在當地平衡，另外約 47.9% 需要進行跨區域重新分配。

對真正依賴外部 Calories 的 deficit areas 而言，問題更加明顯。

研究發現，為減少地方糧食缺口而需要輸入的外部 calories，大約 91% 的流入路徑都會在運輸途中與衝突區域相交。

換句話說：

一塊農田可能完全沒有被炸。

糧倉可能還有糧食。

目的地城市也仍然正常運作。

但中間那條路斷了。

整套系統依然可能開始缺糧。

這是 Network Effect。

這就是為什麼「戰爭造成飢餓」不只是農田被摧毀

戰爭對 Food Security 的影響有很多層。

最直接的是：

農田被破壞。

農民逃離。

牲畜死亡。

灌溉設施受損。

但第二層可能更廣泛：

道路變危險。

港口受阻。

保險費提高。

燃料價格增加。

貨車司機不願意進入特定地區。

航運改道。

援助組織無法進入。

最後食物可能仍然存在於世界某個地方，但它不再能以原本的成本與速度抵達需要的人手中。

這也是為什麼 Food Security 並不等於 Food Production。

WFP 今年甚至直接模擬：如果中東戰爭繼續，會多多少人吃不飽？

2026 年 World Food Programme 做了一次非常現實的 Scenario Analysis。

研究焦點不是：

『某一塊農田少收多少？』

而是模擬：

Middle East Conflict
↓
Global Energy Price Shock
↓
Domestic Prices
↓
Food Affordability
↓
Acute Food Insecurity

WFP 分析 53 個有資料的國家。

基準情境中，約有：

3.18 億人面臨急性飢餓。

如果衝突持續到第二季，並且能源價格上升繼續傳導到各國食品價格，模型估計可能再增加：

4,500 萬人。

總數最高可能達到：

3.63 億人。

這不是 4,500 萬人的糧食突然從地球上消失。

真正發生的是：

食物變得更難負擔。

對本來就只能勉強負擔最低飲食需求的家庭而言，一點點價格上升就可能把他們推過 Crisis Threshold。

這就是所謂 Vulnerability。

富裕家庭看到食物價格增加 15%，可能只是抱怨。

收入已經逼近生存線的家庭，看到同樣 15%，可能變成：

少吃肉
↓
減少餐數
↓
賣資產
↓
小孩退出學校
↓
借債
↓
遷移

同一個 Price Shock，對不同家庭造成的後果完全不同。

糧食危機會不會反過來增加戰爭風險？答案比「餓了就打仗」複雜

直覺上很容易畫出：

Food Shortage
↓
War

但現實研究通常不支持這麼簡單的單向因果。

更合理的模型是：

Conflict
↓
Food Insecurity
↓
Economic Stress
↓
Displacement / Grievance
↓
Political Instability Risk
↓
Conflict

這是一個可能存在的 Reinforcing Loop。

糧價暴漲、失業、營養不足與資源競爭可能增加抗議、遷移與不穩定的風險。

但糧食短缺並不代表一定爆發內戰。

制度、政府能力、社會安全網、外部援助、政治信任與民族衝突等因素都會改變結果。

因此現在真正好的 Food Security Model 通常不會只看 Harvest。

它會一起看：

Climate、Conflict、Economy、Market、Migration、Household Vulnerability。

這也解釋為什麼 AI 開始出現在飢荒 Early Warning 裡

Nature Food 在 2026 年 8 月刊出一篇專文，專門討論 AI 與 Machine Learning 在 Food Security Early Warning System 中的使用。

AI 已經被用在三個很重要的地方：

Data Collection。

Event Monitoring。

Forecasting。

例如：

Satellite Imagery
→ 植被與旱災

Weather Data
→ 降雨異常

News / Text Analysis
→ 衝突、政策與事件

Market Data
→ 糧價變化

Household Surveys
→ 家庭實際食物消費

如果把這些資料分開，人類分析師必須逐一閱讀。

AI 則可以開始尋找它們是否同時往危險方向移動。

例如：

Rainfall ↓
NDVI ↓
Conflict ↑
Cereal Price ↑
Food Consumption ↓

任何單一變數都不代表 Famine。

但如果五個方向一起惡化，系統就應該開始亮紅燈。

已經有人直接做到「90 天飢荒機率」

2026 年 3 月提出的 CERES，全名是 Calibrated Early-warning and Risk Estimation System。

它是一套自動化 probabilistic forecasting system。

目標很直接：

每週替 43 個高風險國家預估未來 90 天急性糧食危機的機率。

它追蹤：

IPC Phase 3+  Crisis
IPC Phase 4+  Emergency
IPC Phase 5   Famine

輸入共有六類：

CHIRPS precipitation anomalies。

MODIS NDVI。

ACLED conflict events。

IPC classifications。

WFP Food Consumption Scores。

FAO / WFP cereal price indices。

換句話說，一套模型同時在看：

天氣。

植物。

戰爭。

家庭吃多少。

以及食物多少錢。

這已經非常接近一套 Food Security Radar。

但 CERES 也非常誠實：現在還不能把它當水晶球

這裡有一個非常重要的細節。

CERES 論文回頭檢查了四個歷史 IPC Phase 4–5 event，四個都被系統列入最高警戒 Tier。

這聽起來非常漂亮。

但作者直接提醒：

這只是 in-sample sanity check，不是 prospective performance claim。

也就是說：

不能拿這四次成功說：

『我們已經證明可以準確預測所有未來飢荒。』

因此 CERES 採取了一個相當有趣的方法。

它把未來真正產生的 predictions：

Timestamp。

Cryptographically identify。

Archive。

然後等 90 天後真的 IPC Data 出來，再公開驗證。

這其實很漂亮。

因為 Early Warning Model 最怕一種事情：

模型每次危機發生後，都可以回頭調參數說自己早就知道。

Prospective Forecasting 則是：

先把答案封印起來，三個月後再開箱。

這才是真正測 predictive power。

人道 AI 最大的問題：False Positive 與 False Negative 都可能死人

一般推薦系統預測錯：

Netflix 推了一部你不喜歡的電影。

Food Security Model 預測錯，後果完全不是同一級。

如果出現 False Negative：

模型說安全
↓
其實正在快速惡化
↓
援助太晚進去

可能真的有人死亡。

但 False Positive 也不是免費。

如果模型頻繁喊：

『這裡快 famine 了！』

結果什麼都沒有發生，有限的人道預算可能被錯誤分配。

另一個真正需要援助的地方反而拿不到資源。

所以 Nature Food 特別強調：

AI / ML 應該是 selectively applied。

需要：

Expert Oversight。

Robust Governance。

Transparency。

Accountability。

它不是讓模型自己決定哪個國家值得救。

比 AI 更早存在的，其實是 System Dynamics

把社會看成一套動態系統不是 AI 時代才開始的。

早在幾十年前，System Dynamics 就已經嘗試模擬：

Population
Food
Industrial Output
Resources
Pollution

彼此如何影響。

其中最知名的一類就是 World3。

這些模型真正有價值的地方不是精確預測：

『文明會在 2074 年 3 月 8 日崩潰。』

而是測試：

如果某些 feedback loop 持續存在，系統可能走向哪一種 regime？

這和 Weather Forecast 有很大不同。

它比較像 Stress Test。

銀行會問：

如果失業率突然升到 10%，銀行撐不撐得住？

Food System Model 則會問：

如果乾旱、油價上升與衝突同時發生，糧食系統還有多少 buffer？

現在更進一步的是 Agent-based Model

System Dynamics 通常把人口或市場看成 aggregate variables。

Agent-based Model 則把世界拆成很多 actor。

例如：

Farmer
Household
Trader
Government
Warehouse
Transport Company
Humanitarian Agency

每個 Agent 可以遵循不同規則。

農民可能想：

肥料價格太高
↓
明年少種 20%

商人可能想：

這條路最近有武裝衝突
↓
改走另一條
↓
運費 +30%

家庭可能：

糧價太高
↓
少買蛋白質
↓
減少餐數
↓
賣牲畜
↓
遷移

政府則可能：

價格暴漲
↓
釋放庫存
↓
限制出口

最後這些局部決策互相撞在一起，形成 Macro Outcome。

這種模型最大的價值，就是它可能產生研究者沒有直接寫進去的 Emergent Behavior。

例如大量家庭同時囤積食品，本來是每一戶都很理性的選擇。

但所有人一起做，可能反而造成更嚴重短缺。

最危險的往往不是 Shock，而是 Buffer 被耗光

一個有韌性的 Food System 通常有很多 buffer。

例如：

Strategic Grain Reserves
Alternative Routes
Multiple Suppliers
Household Savings
Humanitarian Funding
Import Capacity
Storage

第一個 Shock 發生時，這些 buffer 會吸收衝擊。

所以：

Drought
↓
Import more food
↓
問題暫時壓住

但如果下一個 Shock 馬上來：

Oil Price Shock
↓
Import becomes expensive

第三個：

Currency depreciation
↓
Imports become even more expensive

第四個：

Conflict closes road

系統開始進入另一種狀態。

不是任何一個事件足以擊垮它。

而是：

所有備援同時被一層一層吃掉。

這也是 Cascading Risk 最值得注意的地方。

有研究甚至把 Food Security Risk 當成會「傳染」的東西

2026 年 Journal of Cleaner Production 發表的研究建立了一套 Hybrid Static-Dynamic Framework。

研究者在中國情境下整理出：

53 個 Food Security Risk Factors。

涵蓋：

Availability。

Access。

Utilization。

Stability。

接著分析這些因素彼此之間如何傳遞風險。

核心概念不是：

Risk A = 30%
Risk B = 20%

而是：

Risk A
↓
觸發 Risk B
↓
放大 Risk C
↓
再回頭影響 Risk A

例如：

Energy Price
↓
Fertilizer Cost
↓
Production Cost
↓
Food Price
↓
Affordability
↓
Nutrition

這就是 Risk Propagation。

它有點像 Epidemiology。

問題不是哪一個人病了。

而是疾病會不會沿著 Network 傳播。

所以「文明崩潰」真正可能長得不像電影

電影裡的 Civilization Collapse 通常很有戲劇性。

核彈。

病毒。

隕石。

一天之內城市停電。

但現實中的大型社會危機可能更無聊，也更恐怖。

第一年：

食物漲價。

第二年：

政府補貼增加。

第三年：

財政開始吃緊。

同時某地乾旱。

某條貿易路線受阻。

某個出口國限制出口。

肥料價格上升。

農民減少投入。

下一季產量下降。

家庭開始減少消費。

營養惡化。

政治不滿增加。

人口移動。

公共服務壓力變大。

然後另一個 Shock 又來。

沒有任何一天叫做：

『文明正式崩潰日』。

只有越來越多原本可靠的系統開始不可靠。

這就是 Resilience 研究真正關心的事情。

AI 在這裡真正提供的是「現在到底在哪裡開始裂」

傳統 System Dynamics 很擅長回答：

如果 X 發生
後面可能怎麼演化？

AI 則很擅長回答另一半：

X 是不是已經開始發生？

例如：

Satellite 可以看到 Vegetation Stress。

Weather Model 可以看到 Rainfall Deficit。

NLP 可以掃描大量地方新聞中的 Violence 與 Policy Change。

Market System 可以看到 Food Price Spike。

Mobility Data 可以看到 Population Displacement。

Household Survey 可以看到 Meal Frequency 下降。

於是可能形成：

Real World
↓
Satellite / Climate / Markets / News / Conflict
↓
AI State Estimation
↓
Risk Model / Simulation
↓
Future Scenarios
↓
Human Decision

這其實已經有一點像 Food Security 的 Digital Twin。

不是真正複製全世界每一個人。

而是建立一個會隨真實資料不斷更新的系統模型。

最終目標不是預測末日，而是找到「介入點」

如果模型只告訴我們：

『大家三個月後很慘。』

其實價值有限。

真正重要的是：

在哪裡介入最有效？

Sahel / Lake Chad 的研究就提出非常具體的方向。

例如保護：

高流量、低風險的 Strategic Corridors。

支援：

高流量、高風險的 Transport Corridors。

增加：

重要 Hub 的 Storage Capacity。

建立：

Secondary Roads 與 Alternative Routes。

也就是把系統從：

一條路斷掉
= 完蛋

改成：

一條路斷掉
↓
另一條還能走

這叫 Redundancy。

而 Redundancy 很可能才是文明韌性的真正核心。

有趣的是，這和資料中心、電網甚至 Internet 的設計其實一樣

工程師早就知道：

一個可靠系統不能只有一條路。

Server 有 replication。

Internet 有 routing redundancy。

Data Center 有 backup power。

Storage 有 RAID。

Cloud 有 multiple availability zones。

但 Food System 其實也是一張 Network。

所以完全可以用一樣的問題問它：

Single Point of Failure 在哪裡？

哪個 Node 掛掉影響最大？

哪條 Route 沒有替代方案？

Storage buffer 可以撐幾天？

一旦這樣看，Food Security 就突然變得很像 Infrastructure Engineering。

這可能也是 AI 最重要的用途之一：找出人類自己看不到的連鎖反應

現代世界複雜到一個人很難同時理解：

Weather
Agriculture
Energy
Transport
Markets
Conflict
Migration
Politics

任何一個領域都有自己的專家。

但真正的大型 Crisis 偏偏常常發生在它們的交界。

AI、Network Science 與 System Simulation 的價值，就是嘗試把這些不同資料層接起來。

不是因為 AI 比所有專家更懂世界。

而是它可以同時盯著數百萬個訊號，看：

有沒有幾個原本不相關的 indicator 正在一起往壞的方向走。

但我們仍然距離真正的「文明模擬器」非常遠

這是最後最重要的一盆冷水。

社會不是 Physics Simulation。

一公斤物體受到多少力，可以非常穩定地計算。

人不一樣。

政府會改政策。

人會恐慌。

市場會預期未來。

企業會囤貨。

國家會限制出口。

民眾會反抗政府。

盟國可能突然提供援助。

戰爭也可能意外停火。

更麻煩的是：

模型本身可能改變人類行為。

如果 AI 預測：

『三個月後小麥短缺。』

政府可能立刻開始囤小麥。

企業也開始囤。

消費者跟著囤。

結果模型本來預測的短缺，反而被預測本身製造出來。

這叫 Reflexivity。

也正因如此，目前最可靠的用途依然不是：

『AI 告訴我們未來一定會發生什麼。』

而是：

『AI 告訴我們，有哪些未來已經變得比昨天更可能。』

所以，人類真的在用 AI 推演「沒飯吃之後會怎樣」嗎？

答案是：

是，而且已經開始進入實際的人道 Early Warning。

但真正研究的不是：

Day 1 沒飯
Day 2 Riot
Day 7 Civilization Collapse

而是一張更加複雜的 Network：

Climate
   ↓
Food Production
   ↓
Markets ← Energy
   ↓
Affordability
   ↓
Households
   ↓
Migration
   ↓
Political Stress
   ↓
Conflict
   ↓
Infrastructure
   └────────→ Food System

每一條箭頭都有 uncertainty。

但這些箭頭加起來，就是 Civilization Resilience。

AI 的角色，也許不是預言文明什麼時候崩潰。

它更像是在文明的牆壁裡裝上數百萬個 Sensor。

有些量溫度。

有些量壓力。

有些量裂縫。

平常它們看起來都只是一些無聊的數字。

直到某一天，很多 Sensor 同時開始往紅色移動。

真正好的 Early Warning System 希望做到的，就是在牆倒下以前告訴人類：

這裡已經開始裂了。

Tech English｜本文關鍵專有名詞

Cascading Risk（級聯風險）：一個系統中的 Shock 透過經濟、物流、能源、政治或其他連結傳到其他系統，造成第二層、第三層甚至更多連鎖效應。

Systemic Risk（系統性風險）：風險不只影響單一節點，而可能透過相互依賴的 Network 破壞整個系統功能，例如金融、能源或糧食供應網路。

Agent-based Model, ABM（代理人模型）：將家庭、企業、農民、政府等個體表示成具有行為規則的 Agent，再模擬大量 Agent 互動後產生的整體社會現象。

Early Warning System（早期預警系統）：在危機完全形成之前，利用氣候、價格、衛星、衝突與人口等訊號辨識風險，爭取提前介入時間。

Food System Resilience（糧食系統韌性）：糧食生產、物流、市場與消費系統遭遇乾旱、戰爭、價格衝擊等事件後，仍能維持功能、調整並恢復的能力。

Reflexivity（反身性）：預測或市場信念本身會改變人的行為，進而影響原本被預測的結果；因此社會系統不像單純物理系統那樣能被完全獨立觀察。