24小时风速飙升到290公里：AI预报一夜失灵
2026 年 9 月 21 日，墨西哥太平洋沿岸居民收到了气象预警弹窗。原本被预测为普通热带风暴（tropical storm，海水蒸发驱动的低压旋转气旋系统）的飓风 Polo，在近海发生了剧变。它的风速在 24 小时内飙升到每小时 290 公里。
这个风速相当于把运行中的高铁最高时速搬到了空中。风暴连跨多个等级，迅速膨胀为最高级别的五级飓风。
很多人以为天气预报早已进入 AI 时代。前几个月，Google DeepMind 团队研发的气象模型在预测台风路径上刷新纪录，能提前一天算准登陆位置。然而当 Polo 在眼皮底下迅速增强时，顶尖 AI 模型却集体打了个趔趄，未能提前发出强度警报。这种失灵并不罕见。2018 年袭击佛罗里达的飓风 Michael 也是在登陆前爆发增强，沿海社区根本来不及疏散。
大洋深处缺乏观测数据：AI模型只能盲人摸象
为什么 AI 预测风暴路径很准，算风暴强度就失灵？关键在于预测尺度的物理差异。
风暴路径由几千公里范围的大气环流决定，好比江水推动船只漂移。卫星很容易看清宏观水流。风暴强度则取决于中心附近几十公里的精细结构，比如云墙深处的剧烈对流与热量交换。
人类的气象站、雷达和浮标大多分布在近海岸边。飓风最关键的增强阶段发生在开阔大洋上，那里的实测数据非常稀少。即使用上气象卫星，也无法时刻透视每一场飓风内部的三维结构。
如果改用物理模型（physical model，基于流体力学与热力学方程组模拟大气的计算机程序）生成的模拟数据，情况依然困难。模拟计算含有近似处理，会丢失微观物理细节。由于缺乏高分辨率的三维数据集，AI 预测风暴强度就像盲人摸象。
图：卫星数据绘制的 2016 年飓风 Matthew 强度剖面图。来源：The Conversation / NASA Scientific Visualization Studio
蝴蝶翅膀扰动大气：强度演化自带物理混沌
除了数据匮乏，物理极限也制约着机器学习。麻省理工学院学者 Emanuel 曾提出潜在强度（potential intensity，特定海温与大气环境下风暴能达到的理论上限风速）理论。海面温度决定了风暴吸取能量的上限。至于风暴能否达到上限，则取决于内部的复杂动态。
印第安纳大学学者 Chanh Kieu 的研究表明，飓风强度的演变过程带有不可消除的混沌特性。这好比从山顶滚雪球。哪怕初始位置只偏差一毫米，雪球落下的位置也会相差百米。
近年研究发现，飓风强度的波动发生在混沌吸引子（chaotic attractor，系统状态在多条可能轨迹中随机游走却不脱离固定边界的物理形态）内部。大气的极小测量误差会随时间迅速放大。哪怕未来能每秒测量全球风暴的全套状态，单一风速的精确预测在物理上也无法实现。
图：计算机模拟显示预报时间越长模型对风暴强度的分歧越大。来源：The Conversation / Chanh Kieu
追求极小误差反而抹平波幅：双重目标陷入两难
目前的机器学习模型大多将「最小化预测误差」设定为核心训练目标。然而面对高度混沌的数据时，为了避免猜错被扣分，模型倾向于输出平滑的平均数值。
这就引发了内在矛盾。如果算法追求极低的平均误差，它就会抹平那些罕见却致命的风速剧变。如果算法去学习混沌的波幅，单次预测误差就无法无限缩小。两个目标相互竞争，构成了现有 AI 气象模型的瓶颈。
图：2017 年飓风 Irma 卫星影像。来源：NASA
气象预报告别单一数字：用概率迎接风暴
AI 在爆发生长型飓风预测上的失灵表明，现有气象 AI 还无法取代物理模型。机器学习依赖历史数据，而飓风强度本身含有不可消除的混沌成分。纯数据驱动的模型在这里碰到了物理天花板。
面对多变的天气环境，气象预报正在从给出一个确定数字，转向输出概率分布集合。当手机收到飓风预警时，不必纠结预报风速是每小时 150 公里还是 200 公里。关注风暴爆发增强的概率，才是应对强风暴更理性的方式。
参考链接：
- The Conversation 报道
