如果一套 AI 能在颱風登陸前 5 天，就把最後登陸時間算到只差半小時，
傳統氣象預報是不是可以退休了？
事情沒有這麼簡單。
中國正在快速發展 AI 天氣預報，包括 FengWu、Pangu-Weather、FuXi 等模型。
最近最吸引注意的一個例子，是 FengWu 對颱風 Dolphin 的預測。
在颱風登陸中國前 5 天，FengWu 預測的登陸時間與最後實際結果相差大約 30 分鐘，地點相差約 30 公里。
對一個提前 5 天做出的颱風預報來說，這已經非常驚人。
但奇怪的是：
氣象專家並沒有因此說：「以後只要 AI 就好了。」
反而仍然強調：
AI 和傳統氣象模型，現在最好一起使用。
為什麼？
AI 天氣預報到底厲害在哪裡？
傳統氣象預報不是氣象員看著天空猜。
背後其實有非常龐大的數值天氣預報系統。
它會把溫度、氣壓、風速、濕度等觀測資料放進物理方程式，再用超級電腦一步一步模擬：
幾小時後大氣會怎麼變？
一天後呢？
五天後呢？
問題是：
這非常耗運算資源。
AI 氣象模型走的是另一條路。
它先從大量過去的全球天氣資料中學習：
「這種大氣狀況接下來通常會變成什麼？」
等真正要預報時，就不必重新一步一步解完整的物理方程式，因此能非常快速地產生預測。
FengWu 的研究顯示，它可以把具有技巧性的全球中期天氣預報推進到 10 天以上。
這就像兩個人一起預測一台車接下來往哪裡走。
一個人研究：
引擎、速度、方向盤角度、輪胎摩擦力。
另一個人則看過幾百萬次類似的駕駛紀錄後說：
「這種情況下，大部分車接下來都會往這邊走。」
很多正常情況下，
第二種方法可能又快又準。
這就是 AI 天氣預報最吸引人的地方。
那為什麼不能把舊方法關掉？
因為氣象預報真正困難的地方，
不是每天都會發生的普通天氣。
而是：
那些很少發生，甚至以前根本沒有發生過的極端事件。
AI 的能力很大一部分來自過去資料。
它看過的案例愈多，
通常愈容易找到規律。
但是如果今天發生的是一件訓練資料裡幾乎沒有出現過的事情呢？
這就麻煩了。
2026 年刊登於《Science Advances》的研究比較了 GraphCast、Pangu-Weather、FuXi 等 AI 天氣模型與傳統物理數值模式。
研究發現，在破紀錄的高溫、低溫與強風事件中，傳統數值模式整體仍然表現得更好；研究中的 AI 模型還有低估部分破紀錄事件頻率與強度的傾向。
這不是說 AI 天氣預報很差。
而是：
AI 最容易遇到困難的地方，剛好可能就是人類最不能預測錯的地方。
颱風往哪裡走，和它有多強，是兩個問題
這件事用颱風最好理解。
我們平常看到颱風新聞，會覺得就是一張路徑圖。
但對氣象員來說，其實至少有兩個不同問題。
第一個：
它往哪裡走？
第二個：
它到那裡時到底會有多強？
目前一些 AI 模型在颱風路徑預測上已經非常有競爭力。
但 Reuters 採訪的氣象專家指出，AI 模型目前在預測颱風強度方面，仍可能落後傳統方法。
這個差異非常重要。
假設 AI 很準地告訴你：
「颱風星期五晚上會從這裡登陸。」
可是它把風力或雨量低估了。
對一般人來說只是「預報不準」。
對政府來說卻可能影響：
要不要撤離？
撤多少人？
學校要不要停課？
哪些道路要封？
防洪設備要準備到什麼程度？
醫療與救災人力要放在哪裡？
所以真正重要的不是：
AI 有沒有猜中颱風在哪裡。
而是：
我們是否有足夠多的方法去確認，最危險的部分有沒有被漏掉。
AI 很會從過去學，但氣候正在創造新的「第一次」
這也是氣候變遷讓事情變得更複雜的地方。
如果未來的天氣永遠跟過去差不多，
大量歷史資料就是非常好的老師。
但現在我們正遇到更多破紀錄高溫、強降雨與其他極端事件。
研究人員指出，AI 天氣模型面對超出訓練資料範圍的破紀錄事件時，仍存在明顯限制。
白話說：
AI 很擅長回答：
「以前遇到類似情況時，接下來通常發生什麼？」
但真正麻煩的是：
如果這次根本不像以前呢？
例如一個學生做了 1,000 題考古題，
常見題型幾乎全部會做。
結果正式考試突然出現一個以前從沒見過的新題型。
這時候，
真正理解原理的人，可能反而更有機會處理。
傳統數值氣象模式最大的價值之一，就是它的核心仍建立在大氣物理之上。
所以兩種方法並不是一定要分出勝負。
最好的答案可能不是「AI 還是傳統模型」
真正值得注意的是：
氣象預報正在出現一個很典型的 AI 工作模式。
不是：
AI 贏了，人類把舊工具丟掉。
而是：
不同方法一起預測，再找出彼此不一致的地方。
假設 AI 模型和傳統模型都說：
颱風星期五晚上會從同一個地方登陸。
氣象員的信心可能提高。
但如果 AI 說往北，
物理模型卻說往南，
這個差異反而是一個非常重要的訊號：
這裡值得再看一次。
所以 AI 不一定只是替氣象員多算一份答案。
它真正可能帶來的價值，是多提供一套不同的方法，
讓人類可以互相比對。
這其實不只是氣象的故事
這件事也正在其他專業工作發生。
醫生使用 AI，
不是因為 AI 出現後，就不需要醫療判斷。
研究人員使用 AI，
也不是因為 AI 能分析資料，就不需要驗證研究方法。
工程師、律師、財務人員也是一樣。
當錯誤代價很低時，
AI 可以替我們做很多事情。
但當一個錯誤可能影響：
生命、安全、重大財產或公共決策，
問題就不能只剩一句：
「哪個模型平均分數比較高？」
我們還需要知道：
它在哪些情況容易錯？
有沒有另一套方法可以比對？
遇到陌生案例時會怎樣？
最後誰負責判斷？
真正成熟的 AI，不是把舊方法全部淘汰
我們很容易把科技進步想成：
新工具出現，
舊工具消失。
但 AI 可能不完全是這樣。
至少在氣象預報這種高風險領域，
更成熟的方向可能是：
AI 負責快速找出規律。
物理模型負責另一套獨立推演。
氣象專家負責理解兩邊為什麼一致、為什麼不同。
最後再把不同訊號整合成真正能讓人採取行動的預報。
所以這個故事真正有意思的地方，
不是 AI 已經可以把颱風算得多準。
而是它提醒我們：
AI 最厲害的地方，不一定是把舊方法淘汰，而是讓我們在真正重要的決定前，多一套方法互相驗證。
未來真正可靠的 AI，
可能不是永遠對的 AI。
而是：
當它可能錯時，我們還有別的方法看得出來。
今天，和 AI 一起進步一點。
每天學會一個 AI 技巧。
每天節省一點時間。
每天提升一點能力。
SasaDaily，陪你一起成長。
推薦閱讀
AI 快問快答｜2026/07/31：AI 留下完整資料來源和分析步驟，就代表結果一定正確嗎？
AI 一分鐘教學｜2026/07/31：請 AI 分析資料時，要求它留下「資料來源、處理步驟、重現方式」
今日 AI 工具｜2026/07/31：Claude Science，把論文、資料分析、程式與科學圖表放進同一個可追溯研究空間
