我哋成日聽到一種講法，就係人工智能將會徹底顛覆氣象同氣候科學。當你見到預報速度以秒計算，而傳統超級電腦要用成個鐘嘅時候，好容易就會覺得「革命」已經降臨。但當我哋剝開呢層亮麗嘅包裝，睇吓2026年嘅當下，機器學習喺氣象領域嘅應用，到底係咪真係咁革命性？定抑或只係將舊有嘅瓶頸，換咗另一個形式嚟呈現？事實上，所謂嘅「顛覆」，更多時候只係一場運算速度嘅狂歡，而唔係對大氣物理本質嘅全新理解。

近年嚟，AI天氣模型嘅確交出咗唔錯嘅成績表。以Google DeepMind開發嘅GraphCast為例，佢喺10天期嘅天氣預報上，的確展現出超越傳統數值天氣預報（NWP）嘅準確度，而歐洲中期天氣預報中心（ECMWF）亦都已經將呢類AI模型整合入佢哋嘅預報系統入面。呢啲突破令到好多人覺得，傳統嘅物理方程式已經過時。不過，我哋要搞清楚一個核心分別：速度嘅提升唔等如科學嘅革命。機器學習模型之所以快，係因為佢哋跳過咗求解複雜流體力學方程式嘅過程，直接從歷史數據入面搵規律。呢種「黑箱作業」帶嚟嘅代價，就係缺乏物理機制嘅解釋性。當預測出錯嘅時候，氣象學家根本唔知點解會錯，更加唔知點樣從物理層面去修正個模型。

呢個缺陷喺面對極端氣候事件嘅時候，就會被無限放大。機器學習嘅本質係內插法，佢擅長處理歷史數據入面出現過嘅情境。然而，2026年嘅氣候變遷正正意味住我哋面對緊越來越多「前所未見」嘅極端天氣——即係所謂嘅分佈外（Out-of-Distribution）事件。當氣溫突破歷史極端、當洋流出現異常改變，AI模型因為冇相應嘅訓練數據，往往會作出極度偏離現實嘅預測，甚至乎完全失效。傳統嘅物理模型雖然慢同有誤差，但佢哋至少遵循物理定律，就算喺極端情況下都仲有一定嘅底線邏輯。AI呢種依賴歷史數據嘅特性，令佢喺氣候科學最需要預警嘅時刻，反而變得最脆弱。

當然，反方觀點會認為，就算AI唔理解物理，只要預測得準、預測得快，咪就夠囉？實用主義嚟講，呢個講法的確有佢嘅道理。對於一般市民或者農業從業員嚟講，知唔知背後嘅物理機制唔係最重要，最緊要係聽日會唔會落雨。但係，如果我哋將目光放遠啲，氣候科學唔係淨係為咗聽日嘅天氣，而係為咗評估未來十年、五十年嘅系統性風險。喺呢個層面上，淨係靠數據擬合而冇物理約束嘅模型，係無法承擔長期氣候預測嘅重任。NVIDIA推動嘅Earth-2氣候數碼孿生計劃，雖然用咗好多AI加速技術，但佢嘅底層依然需要物理模型去打底，正正反映咗業界都知道純AI係行唔通嘅。

去到2026年嘅今日，我哋見到嘅趨勢並唔係AI取代傳統模式，而係兩者走向融合。氣象機構用AI嚟做初步篩選同快速預警，再用物理模型去做深度分析同極端事件嘅把關。甚至有新興嘅研究方向係將物理定律直接寫入神經網絡嘅損失函數入面，發展所謂嘅「物理啟發神經網絡」（PINNs），嘗試喺速度同可解釋性之間搵平衡。呢種混合模式先至係最務實嘅做法。將AI喺氣象領域嘅應用稱為「革命」，其實係低估咗大氣科學嘅複雜性，同時高估咗機器學習嘅泛化能力。呢個只係一場漸進式嘅演化，係工具嘅升級，而唔係範式嘅轉移。

重點摘要

• 速度唔等於科學革命：AI模型如GraphCast雖然喺預測速度同短期準確度上超越傳統模式，但本質上只係數據擬合，缺乏物理機制嘅解釋性。* 極端氣候下嘅脆弱性：機器學習依賴歷史數據，面對氣候變遷帶來嘅「前所未見」嘅分佈外事件時，容易失效甚至作出離譜預測。* 混合模式先至係出路：2026年嘅主流趨勢係AI與傳統物理模型嘅互補（如ECMWF嘅整合同NVIDIA嘅Earth-2計劃），而非單一替代；所謂「革命」只係運算效率嘅提升，科學本質未變。

結語

總括而言，機器學習為氣象預報帶嚟咗前所未有嘅效率，呢個係不爭嘅事實。但如果我哋因為速度嘅提升就將佢捧上神壇，稱之為氣候科學嘅革命，咁就未免太過草率。真正嘅科學革命，需要嘅係對未知機制嘅洞察，而唔僅僅係對已知數據嘅高速重組。喺氣候變化越來越難以預測嘅當下，我哋更加需要嘅係能夠理解「點解」嘅模型，而唔係淨係識得「預測」嘅黑箱。AI係一把極其鋒利嘅手術刀，但手術刀本身，並唔會令一個醫生變成革命家。