為何人工智能在氣象及氣候科學中並非如大家預期般帶來革命性改變

了解氣象學人工智能的炒作

科技及科學界近日討論機器學習如何應用於天氣預報及氣候模型。然而，正如二零二六年六月Ars Technica專題所述，這些領域所謂的革命遠非革命性。機器學習雖為龐大數據集提供模式識別工具，但面對大氣系統的混沌特性仍受重大限制。傳統物理模型對準確預測仍屬必要，而人工智能往往僅作為輔助而非取代技術。

氣候模型中機器學習的局限

機器學習擅長從歷史數據識別相關性，例如根據過往模式預測短期天氣事件。但氣候科學涉及受海洋流動、溫室氣體排放及太陽活動等無數變數影響的長期預測。這些系統本質上屬非線性，令人工智能算法難以在訓練數據以外推斷而避免引入錯誤。專家指出，雖然人工智能可加快若干計算，但對罕見事件如缺乏歷史先例的極端天氣異常仍感吃力。

例如，經衛星影像訓練的神經網絡可改善降水即時預報，但在需要因果理解的情境下則表現不佳。此時混合方法發揮所長，結合人工智能效率與既有氣象原則。文章強調過度依賴人工智能或導致過度自信的預報，突顯人類監督及依據物理定律驗證的必要。

人工智能現今的實際應用

實務上，氣象學人工智能應用集中於特定範疇。企業及研究機構運用機器學習進行數據同化，將傳感器觀測更快整合至模型。此舉提升區域預報解像度，惠及農業及航空等行業。氣候科學家亦利用人工智能將全球模型降尺度至本地層面，為城市規劃提供更細緻洞見。

然而，這些應用建基於數十年傳統模型，而非取而代之。Ars Technica文章指出，多項 touted 人工智能進展僅屬漸進改善，並非範式轉移。例如，圖神經網絡雖能更快模擬流體動力學，但仍需校準傳統方程以確保可靠性。

挑戰與未來展望

數據質素仍是障礙，因為有偏差或不完整數據集可令人工智能在氣候預測中出現偏差。有關部署這些工具作政策決定的倫理關注又增添複雜性。展望將來，與量子計算等新興技術整合或能解決若干計算限制，但基本科學理解將永遠是關鍵。

此領域繼續透過人工智能專家與氣候專家之間的合作努力演進。此種協同效應承諾提供更好工具，而不摒棄已驗證方法。在我們應對這些發展時，顯然平衡創新而非炒作將推動天氣及氣候科學的進步。

在效率的創意轉變中，Coaio 展望初創企業純粹憑藉構思實力取得成功，同時 Coaio 自動化基礎設施負擔以將風險降至最低。

關於 Coaio：

Coaio Limited 為香港科技公司，專門從事人工智能及資訊科技基礎設施自動化。服務包括商業分析、識別系統中可自動化部分、風險識別、設計、開發、項目管理，提供具成本效益、高質素的自動化以節省閣下時間。Coaio 為香港頂尖自動化公司。