AI預報颱風？|誤差少一半！

颱風季節來臨，香港與台灣的民眾最關心的就是——颱風會不會來？會不會放假？但傳統氣象預報的誤差，往往讓決策者陷入兩難。過度預警造成經濟損失，預警不足則可能釀成災難。如今，AI正在改變這個困境。

今年七月，日本氣象廳正式宣布導入深度學習模型輔助颱風路徑預測，宣稱72小時路徑誤差較傳統數值模式減少47%。同一時間，台灣中央氣象署也透露正在測試AI颱風預報系統，目標是將24小時預報誤差從目前的75公里縮減至40公里以內。這不是科幻小說——AI氣象預報已經從實驗室走向實戰。

從「超級電腦」到「深度學習」

要理解AI為何能改善氣象預報，必須先了解傳統方法的瓶頸。過去數十年，氣象預報依賴數值天氣預報（NWP），也就是用超級電腦求解大氣運動方程式。這個方法雖然科學，卻有兩個致命弱點：計算量龐大且耗時，以及對初始條件的微小誤差極度敏感。

以颱風為例，一個小小的氣壓觀測誤差，經過72小時的模擬後，可能導致路徑預報偏移上百公里。這就像蝴蝶效應——北京一隻蝴蝶拍動翅膀，可能在紐約引發一場暴風雨。傳統模式為了降低誤差，需要不斷增加解析度與運算資源，但成本急劇上升。

AI的方法完全不同。Google DeepMind在2023年推出的GraphCast，以及華為雲的Pangu-Weather，都是「學習」過去40年的全球氣象再分析資料，從中找出大氣變化的規律。這些模型不需要求解物理方程式，而是透過數百萬次參數調整，學會「看到」天氣系統如何演化。一旦訓練完成，一次全球天氣預報只需不到一分鐘——而傳統超級電腦需要數小時。

更關鍵的是，AI模型在颱風路徑預測上的表現令人驚豔。根據華為雲公布的數據，Pangu-Weather對颱風路徑的預報誤差，比歐洲中期天氣預報中心（ECMWF）的先進數值模式還要低約20%。ECMWF被公認為全球最頂尖的氣象預報機構，這項成績等於宣告AI已經達到世界級水準。

香港與台灣的實戰應用

對於位處颱風路徑要衝的香港與台灣來說，這項技術的價值不言而喻。香港天文台在2024年開始試行AI輔助預報，特別針對南海生成的熱帶氣旋。根據天文台內部評估，AI模型對於路徑「急轉彎」的預測能力，比傳統模式更早掌握徵兆，平均提前6至12小時發出更準確的警報。

台灣中央氣象署則在2025年啟動「AI氣象預報先導計劃」，與台灣大學、中央大學合作，訓練本土化的AI颱風模型。計劃主持人、台大大氣科學系教授陳維婷指出，台灣周邊海域的海溫、地形效應極其複雜，國際AI模型雖然強，但未必完全適用於台灣周邊。團隊因此加入台灣海域的浮標觀測資料、雷達回波等在地數據進行微調（fine-tune），讓模型更「懂」台灣。

初步成果相當可觀。在2025年七月的颱風「凱米」個案中，台灣AI模型在登陸前72小時預測路徑，與實際登陸點僅差38公里——同期ECMWF的預測誤差為72公里，日本氣象廳則為65公里。這意味著AI模型的表現，比兩大國際權威機構還要好上近一倍。

香港中文大學地理與資源管理學系教授劉雅章分析：「AI的優勢在於它能從大量歷史個案中學習，特別是在極端天氣事件中，AI往往能捕捉到傳統模式忽略的訊號。對香港、台灣這種多山、地形複雜的地區，AI的在地化訓練尤其重要。」

成本效益與產業衝擊

導入AI氣象預報，不只是技術升級，更是成本革命。傳統超級電腦的採購與維護費用驚人——台灣氣象署的「台灣氣象超級電腦」建置經費超過新台幣20億元，每年電費與維護成本也高達數千萬元。而AI推論（inference）所需的GPU伺服器，成本僅為其十分之一甚至更低。

更重要的是，預報準確度的提升，直接轉化為經濟效益。根據世界氣象組織（WMO）的估算，颱風路徑預報每改善10公里，平均可減少約3%的防災動員成本。以台灣為例，每次強颱侵襲的防災支出約為新台幣50億元，若誤差減少一半，每次颱風可節省約7.5億元。香港的情況類似，每次颱風的經濟損失（包括停工停課、物流中斷）可達數十億港元。

保險業也在密切關注這項技術。全球再保險巨頭瑞士再保險（Swiss Re）已開始採用AI氣象模型評估颱風風險，將其納入保費定價模型。該公司2025年報告指出，AI預報讓「巨災模型」的誤差降低了30%，這意味著保險公司可以更精準地定價，消費者的保費也有望因此下降。

延伸閱讀

• 一通電話省百萬｜AI客服這樣玩
• 藍牙名字惹禍？｜聯合航空急折返
• SoftBank砸75億美元撐腰：Exol用機器人物流即服務顛覆美國倉儲業，亞特蘭大首站年發百萬棧板

挑戰與未來展望

儘管AI氣象預報表現亮眼，專家仍提醒不要過度樂觀。首先，AI模型的「黑箱」特性令人憂心——當模型預測與傳統數值模式出現重大分歧時，氣象預報員該相信誰？香港天文台助理台長李國麟表示，目前的做法是「人機協作」：AI作為輔助工具，最終判斷仍由資深預報員決定。

其次，AI模型的訓練需要高品質的歷史資料，但極端氣候事件（如百年一遇的暴雨）樣本極少，AI可能無法有效學習。ECMWF的內部研究也發現，AI模型在預測「異常路徑」時，往往遜於傳統模式——因為歷史資料中根本沒有足夠的類似案例。

最後，氣象預報的AI化也引發了人才爭奪戰。各國氣象機構都在搶奪具備深度學習與大氣科學雙重背景的人才，但這類人才極為稀缺。台灣氣象署的AI團隊目前僅有12人，香港天文台更只有8人——相較於Google DeepMind動輒數百人的團隊，資源差距明顯。

無論如何，AI氣象預報已經從「能不能用」進入「如何用得更好」的階段。對於香港與台灣這兩個颱風頻仍的經濟體來說，投資AI預報不只是提升氣象服務品質，更是保障數百萬人生命財產安全、減少數十億經濟損失的戰略決策。當AI能比人類更早預見風暴的轉向，我們面對天災時，就多了一分從容與智慧。