传统的灾难（CAT）风险模型依赖于昂贵的手工构建来生成极端天气情景，这一流程自上世纪九十年代以来几乎未变。随着气候极端事件的加剧，整个风险转移链面临成本和时效双重压力。\ \ 本文提出了 TAISE 框架，核心思路是将已有的 AI 天气预报模型重新用于情景生成。通过自迭代方式，模型连续输出全球大气场，极端天气事件自然从这些连续场中涌现，而无需单独生成离散快照。\ \ 实验验证显示，TAISE 在计算成本上比传统方法降低了一个数量级，同时保留了时间连续性和跨区域相关性，这些特性在基于快照的传统方案中往往缺失。\ \ 该结果表明，AI 驱动的情景生成有望让灾难风险量化更加普惠，为保险公司、再保险公司、保险关联证券（ILS）基金管理人以及公共部门的风险管理者提供动态、全景的组合评估能力。\ \ 点评