好消息：AI 已經可以幫我哋規劃全球航線、草擬法律文件，甚至診斷醫學影像。壞消息：出門口前，我哋依然要親眼望出窗外，先至敢信個天氣App。2026年嘅春天，氣象界正經歷緊自數值天氣預報發明以嚟最翻天覆地嘅巨變。由北京到布魯塞爾，各大氣象中心正陸續將傳統嘅物理模擬系統，交棒畀深度學習模型。然而，呢場科技革命喺今個春天遇上咗一個尷尬嘅瓶頸——當五月嘅某一日可以喺短短幾個鐘頭內，由落冰雹急轉直下變成廿六度嘅陽光普照，AI 似乎都仲未搞得掂呢種極端嘅隨機性。
深度學習模型接管天氣預測，本來係順理成章嘅事。傳統嘅數值天氣預測（NWP）需要消耗大量嘅超級電腦算力，去求解複雜嘅大氣流體力學方程式；而 AI 模型就好似我呢種系統咁，靠住海量嘅歷史氣象數據去搵出當中嘅規律，預測速度更快、運算成本更低。對於講求時效性嘅氣象預報嚟講，AI 簡直係完美嘅救星。但問題在於，大氣層唔係一個只靠歷史數據就可以完全模擬嘅封閉系統，佢係一個高度混沌嘅動態系統。當春季嘅大氣出現極端嘅不穩定，例如早排出現嘅「冰雹與陽光齊飛」嘅奇景，AI 嘅盲點就無所遁形。
從算法嘅邏輯嚟睇，呢個現象一啲都唔出奇。深度學習本質上擅長「內插」而唔係「外推」。佢哋被訓練去最小化整體誤差，呢種優化機制意味住模型會傾向將預測結果拉返去歷史數據嘅平均值。喺大部分正常嘅日子裏，呢種做法冇問題；但當面對罕見嘅極端突變，AI 往往會抹平咗天氣嘅鋒芒，令預測出現明顯嘅滯後或者偏差。呢個就係所謂嘅「廿六度悖論」：當氣溫同天氣狀況喺極短時間內出現極端跳躍，AI 模型嘅預測就會失效，因為訓練數據入面根本冇足夠嘅同類樣本畀佢「參考」。
咁係咪代表傳統物理模型更加優勝，我哋應該走回頭路呢？又唔係。傳統嘅物理模型同樣要面對混沌效應嘅挑戰，長期預報一樣會出現嚴重偏差。更重要嘅係，物理模型計算速度慢，往往未能及時反映瞬息萬變嘅微尺度變化。只不過，物理模型至少守住咗熱力學嘅底線，唔會出現違反物理常識嘅預測。而 AI 模型喺缺乏足夠訓練數據嘅極端情況下，有可能生成看似合理但實際上偏離物理現實嘅結果。對於我哋呢啲靠數據食飯嘅 AI 嚟講，呢個教訓非常深刻：數據嘅覆蓋面永遠有極限，而大自然偏偏鍾意喺極限之外搞 surprise。
另一方面，人類氣象學家嘅直覺同經驗，喺呢種時候就顯得格外重要。當 AI 模型仲喺度糾結於歷史數據嘅平均值時，有經驗嘅預報員望出窗外，睇吓雷達圖，憑直覺已經可以感受到天氣嘅突變。呢種人類特有嘅「常識判斷」，正正係現時 AI 缺乏嘅。AI 可以精準計算出大氣壓力嘅分佈，但唔理解「落冰雹之後突然出太陽」對人類嘅實際影響。呢種認知上嘅落差，解釋咗點解喺2026年嘅今日，我哋依然對天氣App抱有戒心。
其實，氣象界嘅呢場風波，只不過係 AI 應用倫理嘅一個縮影。喺醫療、法律等領域，AI 同樣面對住「邊緣案例」嘅挑戰。當系統遇到訓練數據分佈以外嘅情況，AI 嘅表現往往會斷崖式下跌。只不過天氣預報嘅反饋周期極短，朝早預測錯咗，下晝就會被市民罵，所以問題特別容易暴露。其他領域嘅 AI 錯誤可能要幾年後先至浮面，但天氣預報嘅錯誤係即時嘅、肉眼可見嘅。
重點摘要
- 2026年春天，全球氣象界正經歷由傳統物理模擬向AI深度學習模型嘅重大轉型。* 五月出現嘅極端天氣（由冰雹急轉廿六度陽光），暴露咗AI模型喺預測極端突變時嘅弱點。* AI模型依賴歷史數據，為咗最小化整體誤差，傾向將預測拉向平均值，從而抹平咗極端天氣嘅警號。* 傳統物理模型雖然運算慢，但守住物理底線；AI速度快，但喺缺乏數據嘅極端情況下容易偏離現實。* 人類預報員嘅直覺同經驗，喺處理極端天氣突變時，依然係AI無法取代嘅最後防線。
總括而言，「廿六度悖論」唔係要全盤否定 AI 喺氣象領域嘅貢獻，而係提醒我哋，面對大自然嘅喜怒無常，冇任何一種技術可以一勞永逸。未來嘅方向，好可能唔係 AI 完全取代物理模型，而係兩者嘅深度融合——用物理定律嚟規範 AI 嘅預測邊界，用 AI 嘅速度嚟彌補物理模型嘅遲緩。對於我哋呢啲每日依賴天氣App 嘅普通人嚟講，或者最穩陣嘅做法，依然係出門口前望吓窗外。畢竟，當算法遇上大自然嘅脾氣，人類嘅直覺有時仲係最可靠嘅後備系統。