「我們離實現全球氣候目標還很遙遠。2023 年是有史以來最熱的一年……2024 年的前八個月也是有史以來最熱的。」世界氣象組織（WMO）秘書長Celeste Saulo 警告。更嚴重的是，未來5 年中至少有一年超過2023 年成為有記錄以來最熱年份的可能性高達86%。這項結論來自WMO 新近發布的《團結在科學之中2024》（United in Science 2024）報告。

（資料來源：United in Science 2024 報告封面）

報告原文： https://wmo.int/publication-series/united-science-2024

同時，報告指出，在未來5 年中，至少有一年全球近地表平均溫度暫時超過工業化前水準1.5℃ 的可能性也高達80%。

另外，根據WMO 先前發布的《2023 年全球氣候狀況》報告，熱浪、洪水、乾旱、野火和迅速增強的熱帶氣旋造成的痛苦和混亂，使數百萬人的日常生活陷入困境，並造成了數十億美元的經濟損失。

為應對氣候危機，創造快速、經濟、精準的氣象預警系統尤其關鍵。而人工智慧（AI）正以其複雜演算法與強大運算能力為氣象預警領域帶來顛覆性變革。

正如Saulo 所指出的，「人工智慧已經『更快、更便宜、更容易獲得』地徹底改變了天氣預報科學」。

AI 正在革新天氣預報

在這份報告中，來自歐洲中期天氣預報中心（ECMWF）的研究團隊及其合作者，對AI 在極端天氣預報警方向的最新應用進行了綜合闡述，以及存在的不足和未來展望。

具體而言，在天氣預報領域，AI 模型突破了基於物理模型的數值天氣預報（NWP）模式，在預測某些天氣變量及極端或危險事件（如熱帶氣旋）方面已經超越了物理模型，如Keisler 、Pathak 等學者的研究展示了AI 模型在氣旋預測方面的顯著優勢。

圖｜人工智慧/綜合預報系統（AIFS）的最新進展提高了氣旋探測能力。 （來源：該報告）

透過使用傅立葉預報神經網路這一新興的全球數據驅動的天氣預報AI 模型，徹底實現了對如地表風速、降水和大氣水蒸氣等高分辨率、快速時間尺度變量的準確預測，能在不到2 秒的時間內就能產生一週的預報，比IFS 快了幾個數量級。

也有研究表明，AI 預測模型已突破傳統物理模型，透過提升資料品質、融合不同資料來源以及下尺度處理預測輸出，顯著降低創建支援天氣預報所需資料的計算成本以及運行高品質預測模型的門檻。

這些能力先前受到計算負擔的限制僅可在大型全球預報中心應用，但現如今，沒有足夠資源的機構也可獲得，運行高水平預測模型的進入門檻顯著降低了，較低的成本也使得規模較小的公共和私人實體能藉助AI 進入天氣預報領域，極大改變天氣預測產業傳統格局。

也有研究指出，大語言模型（如ChatGPT）的融入可有效促進解讀和傳達複雜的氣象訊息，支持早期全民預警（The Early Warnings for All）、永續發展目標（SDGs）、巴黎協定和其他減災框架的決策，增強災害防範、應變和適應能力。

從理論上講，基於大型語言模型（LLM） 構建的ChatGPT 等服務擅長將氣候資訊的範圍擴大到地球上任何地方任何感興趣的個人，並為所有人提供本地氣候服務。雖然截至目前由於缺乏有關未來天氣和氣候變遷及其影響的詳細本地信息，該設想無法落地，但如果能夠克服這一障礙，它將會幫助人們更好地應對全球氣候挑戰。

近年來，隨著AI 技術的快速發展，Google、英偉達、華為等多個科技巨頭和研究機構在天氣預報領域取得了重大突破，開發出一系列令人矚目的AI 天氣預報產品。這些產品不僅提升了天氣預報的精準度與速度，在極端天氣預報等關鍵領域也展現了前所未有的潛力。

其中，華為雲端開發的盤古氣象（Pangu-Weather）模式成為全球矚目的創新成果之一。該模型於2023 年7 月發表在Nature 雜誌上，使用39 年的全球再分析天氣資料進行訓練，其預測精度與全球頂尖的數值天氣預報系統IFS（歐洲中期天氣預報中心的數值預報系統）相當，但在相同空間解析度下預測速度比IFS 快10,000 倍以上。這項突破表明，AI 預報模型在效率和成本上的巨大優勢。

圖｜2022 年不同AI 建模系統（華為的Pangu-Weather、NVIDIA 的FourCastNet、AIFS 和Google DeepMind 的GraphCast）在南半球進行10 天預報期間的兩米溫度誤差演變。 （資料來源：歐洲中期天氣預報中心，2024）

另一篇發表在Nature 上的研究則介紹了由加州大學柏克萊分校教授Michael Jordan 和清華大學教授王建民領導的團隊所開發的NowcastNet 模式。 NowcastNet 結合了物理規律與深度學習技術，能夠進行即時降水預報，顯著提高了短時臨近預報（Nowcasting）的精確度。這種結合物理與AI 的方法，展示了AI 在捕捉天氣變化快速且細微的動態過程中的巨大潛力。

圖｜ NowcastNet設計架構。 （資料來源：Nature）

同年11 月，Google DeepMind 推出了另一款具有突破性的AI 天氣預報模式—GraphCast。該模型可在全球0.25° 解析度下，一分鐘內預測未來10 天的數百個天氣變數。與傳統氣象預報方法相比，GraphCast 不僅顯著提高了預測效率，而且在極端天氣事件的預報中表現出色。

此外，Google Research 團隊在2024 年初開發的AI 模型在全球洪水預警領域也取得了重大進展。該模型擊敗了現有的全球最先進洪水預警系統，利用5680 個測量儀器的數據進行訓練，能夠在7 天預測期內對未測量流域的日徑流進行精準預測，為應對氣候變遷導致的洪水風險提供了更強大的工具。

圖｜基於LSTM 的河流預報模型架構。兩個LSTM 依序應用，一個接收歷史天氣數據，另一個接收預測天氣數據。模型輸出為每個預報時間步的流量機率分佈參數。

在AI 氣象預報領域的另一個重要參與者是IBM，其開發的GRAF（Global High-Resolution Atmospheric Forecasting System）系統使用AI 和機器學習對全球天氣進行每小時更新。 GRAF 是全球首個高解析度天氣預報系統，能夠提供細到3 公里解析度的預報，在極端天氣事件的預測中提供了更高的精確度。

微軟的AI for Earth 計畫也正在利用機器學習和大數據來改善氣候預測和天氣預報。儘管並未直接開發專門的AI 天氣預報模型，但該計畫支持的相關研究在提升天氣預測精度方面發揮了重要作用，幫助全球更好地應對氣候變遷帶來的挑戰。

整體來看，這些前沿AI 天氣預報模型透過大規模歷史資料的訓練和先進深度學習演算法的應用，極大地提升了氣象預測的速度、精度和覆蓋範圍。 AI 技術正以更精確、更高速的方式變革傳統氣象預測，在應對極端天氣事件和氣候變遷的全球挑戰中發揮愈加重要的關鍵作用。

問題與展望

然而，數據品質和可用性仍是主要問題。尤其是，AI 模型訓練階段對於高品質、一致的資料具有極大需求。

報告指出，由於國家間經濟、政治和地理差異，數據的可得性並不均衡。此外，空間和時間資料的差距、缺少對小尺度天氣現象的資料以及高解析度全球再分析資料的缺乏，均對AI 模型的訓練效果產生負面影響。同時，能夠影響天氣預測精度的複雜變量，如海洋、陸地、冰凍圈和碳循環，在當前AI 模型中的缺失同樣也是亟需面對的一大挑戰。

另一方面，透明度和公平性問題也可能限制AI 在天氣預報領域的應用。儘管正在努力改善模型的可解釋性並整合物理約束，但提高透明度以確保公眾信任仍是需要解決的一大問題。此外，由於數據、運算能力和使用者技能的限制，AI 技術普及難度較大，這將進一步加劇了全球數位落差與不平等問題。

展望未來，下一階段AI 天氣預報模型的重點將包括資料同化和基礎模型的開發，經過大規模、多樣化資料訓練AI 模型能夠適應更多具體應用。此外，擴展現有的AI 模型以涵蓋完整的地球系統從而增強氣候預測能力、利用商業衛星和眾包數據（如物聯網）的潛力並結合低成本的數據存儲平台和標準化工具促進全球範圍內AI天氣預報技術的普及等也將是未來可供探索的重要方向。

值得注意的是，AI 將越來越多地用於支持決策和幫助全球社區應對氣候變遷及極端天氣的風險，而為確保AI 技術對全人類有利且廣泛可及，強有力的全球治理和框架至關重要。

為此，需增強AI 模型的透明度和追溯性，促進建立信任並制定負責任使用的標準。也需要關注道德AI發展中系統性偏見和公平存取問題的解決，尤其在一些脆弱社區。

此外，開展培訓與能力建構對於縮小數位落差、保障AI 工具的公正有效應用至關重要。