AI Models Still Lag Behind Traditional Numerical Models in Predicting Sudden-Turning Typhoons
这项研究通过证明虽然盘古气象（Pangu-Weather）在追踪热带气旋方面普遍优于传统的数值模型，但在准确预报罕见的、突然转向的台风路径方面仍显不足，从而挑战了人工智能气象模型擅长预测极端事件这一说法。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
几十年来，预测天气最可靠的方法是构建大气层的数字孪生。科学家们将当前的观测数据输入到大型超级计算机中，通过求解描述空气运动、热量上升以及水汽转化为降水的复杂方程组来进行计算。这些数值模型就像是一个物理引擎，按部就班地模拟自然法则，以预报未来几天会发生什么。它们是现代预报的支柱，之所以备受信任，是因为它们是基于统治我们星球的基本规则构建的。然而，在过去的几年里，一个新的竞争者出现了：人工智能。AI 模型并不求解方程，而是通过研究数百万年的历史气象数据来学习如何预测天气，其方式就像学生背诵教科书一样识别模式。它们速度极快，并展现出了巨大的潜力，这使得许多人相信它们很快就会完全取代传统的基于物理的系统。
最近，由来自中国气象及学术机构的研究团队进行的一项研究对这一观点进行了严格测试，专门观察了这些 AI 模型在处理最危险且最不可预测的天气事件——即路径突然改变的台风时表现如何。研究人员关注的是一种被称为“突然转向”的特定风暴行为，即台风在路径上做出急剧且出人意料的转弯，这种现象往往会让预报员措手不及，并导致严重的破坏。虽然之前的报告曾赞扬 AI 在预测极端天气方面的能力，但那些例子大多涉及因其 sheer 威力（纯粹的力量）而显得极端的风暴，而非因为路径难以追踪而显得极端。这项新的分析提出了一个更难的问题：AI 能否预测那些违背大气常规流向的罕见且反复无常的运动？
该团队研究了 2020 年至 2024 年间西北太平洋的 104 个台风，并将它们分为三组：沿直线平稳移动的、绕圈移动的，以及进行突然剧烈转向的。他们将领先的 AI 模型（被称为 Pangu-Weather）的预测结果，与最优秀的传统数值模型以及主要气象机构的人类专家所做的预报进行了对比。结果清晰且富有层次感。对于绝大多数风暴，包括那些正常移动甚至绕圈移动的台风，AI 模型的表现异常出色，其准确度往往超过了传统的计算机模型。它证明了自己是捕捉大气整体流向的强大工具。
然而，当研究人员观察那些进行突然转向的风暴时，情况发生了彻底的变化。在这些特定案例中，传统的数值模型始终优于 AI。研究强调，2023 年的台风“灿诺”（Khanun）是一个典型的例子。该风暴在经过琉球群岛附近时，在五天内进行了两次急剧转弯，这种路径造成了显著的干扰。虽然 AI 模型能够准确预测风暴在前一两天的位置，但随着预报时间的延长，其效能急剧下降。当预报达到五天时，AI 的预测水平并不比人类预报员更好，且明显逊色于传统模型。对于这些发生突然转向的风暴，AI 在路径预测上的误差平均而言比最好的传统系统高出近 10%。
研究人员进行了更深入的挖掘，以理解为何存在这种差距。他们发现，大气通常通过稳定的、大规模的风流来引导台风，就像一条河流载着一只小船。当这种电流强劲且稳定时，擅长识别这些大型模式的 AI 模型表现得非常出色。但当引导电流较弱时，风暴的路径则取决于风暴本身与周围空气之间复杂的相互作用。在这些时刻，风暴内部结构的精细细节变得至关重要。研究表明，由于 AI 模型是基于历史数据而非物理定律进行训练的，因此在引导风力较弱时，它们难以模拟这些复杂的内部结构。它们倾向于产生更平滑、更趋于平均化的预测，从而错失了现实中发生的尖锐且混沌的转向。
这并不意味着 AI 是失败的，但它确实揭示了一个特定的局限性。传统的模型由于是基于求解大气物理方程而构建的，因此在捕捉这些罕见且极端事件的物理特性方面仍然更胜一筹。AI 模型虽然速度更快且普遍准确，但在面对风暴行为异常时，似乎缺乏通过复杂物理过程进行“推理”的能力。作者得出结论认为，在可预见的未来，最可靠的方法不是用新系统取代旧系统，而是将两者结合起来。通过将传统模型的物理约束整合到 AI 的训练中，科学家们希望创造出一种混合系统，使其既能处理常见的模式，也能应对天气中罕见且危险的突发状况。在此之前，当一场风暴威胁要采取出人意料的转向时，传统的基于物理的模型仍然是最值得信赖的指南。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。