睡前还是弱风暴 醒来已被五级飓风堵门
2026 年 9 月 21 日晚，位于墨西哥太平洋沿岸的居民准备入睡。此时手机气象软件显示，临近的风暴「波洛」（Polo）只是一场弱风暴。
到了第二天清晨，人们醒来出门，窗外已被狂风暴雨笼罩。风暴在暖海面上急速吸热，连跨数级增强为强飓风。留给沿海社区的响应时间被压缩到了短短几个小时。
气象学将这种现象称为强度爆发（rapid intensification，指风速 24 小时内猛增 55 公里/小时以上）。2018 年，飓风「迈克尔」（Michael）同样在登陆美国佛罗里达前夕猛烈爆发，造成了严重的毁坏。如今的气象模型能算出飓风明天去哪儿，但在预测飓风登陆时的杀伤力上却频频失手。
近年来，顶尖气象机构与科技公司纷纷推出了人工智能预报系统。人们原以为凭借海量数据与强大算力，人工智能能攻克飓风强度预测难题。然而现实给出了相反的答案。
算准全球气温不难 预测局部风暴强度才算硬骨头
过去几年里，人工智能在天气预报领域的进步有目共睹。深度学习模型基于过去数十年的气象数据训练而成。它们只需几秒钟算力，就能推演未来几天全球的气温、气压与风场变化。在宏观预报上，人工智能已能与顶级数值模型分庭抗礼。
然而从全球尺度缩到局部区域，预报难度飙升。全球预报看的是大气的大尺度奔流，就像看大河奔涌，主干清晰易寻。但飓风强度属于区域问题，这相当于看清河里某一处水花如何剧烈翻滚。
图：气象卫星捕捉到的飓风红外温度图，展示了风暴眼周围复杂的云顶结构。来源：The Conversation / NASA
人工智能擅长捕捉全局大趋势，但在面对局部剧烈变化时却经常失灵。飓风路径由大环流牵引，人工智能预测风暴轨迹非常精准。然而飓风强度取决于核心数十公里内的能量交换。这击中了模型的短板。
大洋深处缺少气象站 连最强AI也拿不到关键数据
预测飓风强度之所以困难，首先遇到的就是数据鸿沟。在陆地与海岸沿线，分布着密集的地面气象站与海面浮标。气象部门还能使用多普勒雷达（Doppler radar，通过电磁波探测云层风速与降水结构的设备）获取实时数据。这些设备能够实时提供丰富精准的三维大气数据。
然而飓风最关键的爆发阶段，往往发生在离岸数百公里的开阔洋面上。在这片辽阔的水域里，地面观测设备屈指可数。气象卫星虽然能拍摄云顶温度或估算降雨，但卫星无法穿透厚重的云墙，难以直接测量风暴核心底层的真实风速。
数据不够，用计算机模拟来凑是常见的工程做法。训练人工智能的数据集，包含了大量由物理模型模拟出的气象数据。但数值模拟本身存在近似误差。拿着带偏差的数据训练模型，人工智能自然会继承缺陷。
风暴核心藏着混沌物理 测量再精准也撞不破预测上限
如果只是缺少数据，随着更多传感器投用，问题终将解决。但印第安纳大学大气科学副教授尚·邱（Chanh Kieu）研究发现，预测失灵的根源藏在大气物理本身。
热带风暴从洋面汲取热能时，其强度会向着一个理论极限靠拢。气象学将这一极限称为最大潜在强度（potential intensity，结合海温与风切变算出的极限风速）。海水温度越高，这个理论上限就越高。然而当风暴强度接近这个极限时，系统内部会触发微小的扰动。
尚·邱团队的发现非常明确。飓风强度在接近上限时，会进入混沌吸引子（chaotic intensity attractor，风暴强度在极限附近随机变化的一组状态）。即使未来能每秒测遍全球风暴数据，风暴强度的微观变化依然具有随机性。这就像把玻璃珠扔进旋转的碗里。碗的形状可以测定，但玻璃珠撞击碗壁的位置无法计算。
图：计算机模拟显示，预报时效拉长后，两场初始条件高度相似的五级飓风在强度演化上出现了巨大的分歧。来源：The Conversation
这种物理上的混沌特性给人工智能训练带来了根本性的两难。人工智能在训练时，追求总体预测误差最小化。这会导致神经网络倾向于输出最可能发生的平均演化轨迹。然而飓风强度爆发属于剧烈波动，人工智能越追求总体误差最小，越会磨平这种关键的剧烈峰值。
放弃单个精确数字 预报系统转向概率分布
物理学设下的混沌天花板十分明确。靠堆算力给出一个绝对精准的风速数字，在物理规律面前行不通。大气层内部的微观波动决定了强度的预测精度存在天然边界。
面对这一客观局限，气象预测思路正在发生关键转变。与其强求确定风速值，不如预测可能出现的强度范围与概率分布。
气象专家尚·邱指出，理解混沌机制对于划清预测界线至关重要。预报系统从提供单一数字转向提示概率分布，是一项重要的转变。防汛部门与沿海居民只有了解风险区间，才能为最坏情况做好准备。
参考链接：
- The Conversation 报道
