解密！AI如何報颱風？路徑更準但風雨預報是弱點？【新聞實驗室】

巴威路徑預測 AI勝傳統模式

分析巴威颱風路徑預報，多數AI模型表現優於傳統的全球數值模式，平均誤差最小的是Google AI模型，其次則是氣象署的颱風區域模式和歐洲AI模型。中央氣象署預報中心科長劉品妍表示，目前應用AI及數值模式混合預報策略，滾動調整官方路徑預報。

AI預報的路徑不只在巴威颱風時略勝一籌，從去（2025）年的統計來看，包含Google FGN、GenCast和歐洲AIFS等AI預報，平均路徑誤差也小於傳統數值模式。

累積大量歷史資料 AI更早掌握颱風

傳統數值預報是將觀測到的資料，代入物理方程式進行大量運算；AI模型則是以大量資料訓練，吸收過去的經驗所得出。AI對於大範圍天氣系統預測能力佳，可同時處理多種氣象變數，對颱風生成與路徑預測應用具有優勢。

中央氣象署科技發展組長張保亮指出，AI模型如果訓練好直接拿來用的話，在預測速度比傳統模型更快。劉品妍補充，「AI模型的優點在於更早提供長時間的預報，可以早期看到未來颱風影響台灣的潛勢。」

AI和數值模式預報的颱風路徑會呈現在氣象署的電腦上，預報員再做統計整合與最佳化，決定出我們平常看到氣象署的颱風路徑預報。劉品妍說道，「台灣的風雨預報跟颱風路徑非常高度相關，因為我們特殊的地形關係，稍微偏差100公里，風跟雨的狀況會完全不同。」

氣象署引進AI 高速運算電腦增GPU

而AI颱風路徑導入中央氣象署預報作業的開端，是在2024年的凱米颱風，在颱風登陸前5天，傳統物理模式預報凱米會遠離台灣，但AI預報都顯示會侵襲台灣北部，最後也確實造成災情。

中央氣象署預報中心主任黃椿喜說明，「凱米颱風在還沒有形成之前，還在熱帶性低氣壓甚至低壓的階段，我們就看到人工智慧跟物理模型的差異很大。」

因應AI發展以及高效能運算的需求，氣象署最新的第6代高速運算電腦也引進了GPU，相較傳統數值預報是使用CPU運算，GPU提供AI訓練量能做並行使用。

中央氣象署數值資訊組長沈里音表示，「過去氣象署從第1代到第5代全部都是CPU的機器，到第6代的時候看到混合運算趨勢，可能可以讓我們的模式運算更快速、更有效率。」

AI解析度低 地形複雜難預估風雨

但有了AI和超級電腦，颱風預報就所向無敵了嗎？以2026年6月底米克拉颱風的為例，雖然氣象署透過AI提早掌握颱風的形成與移動路徑，但還是很難預測小範圍的短延時強降雨，突如其來的超大豪雨造成台北、新竹及屏東多處淹水。

台大天災中心副研究員陳柏孚指出，「做颱風期間台灣的風雨預報，很重要的是還要考慮到台灣很複雜的地形。」黃椿喜認為，「因為地形非常複雜，這些就需要更細緻的模式、模型來做處理，現在人工智慧在這一塊還有一段路要走。」

現在的AI預報解析度大約在25公里左右，台北和基隆可能會在同一個網格中，相較於傳統區域數值預報解析度可以小到1到3公里，仍然不夠精細，因此現階段防災仍會以傳統數值和AI混合應用。

黃椿喜說明，「雨的部分需要很細緻的預報給防災單位，他們會依據我們的雨量來做停班停課的決策。」張保亮表示，「比較實務的做法是可以用現在的數值天氣預報模式結合AI模型，可以提供更準確的天氣預報結果。」

降尺度技術 精進AI小範圍風雨預報

氣象署提供4年的高解析度資料，與NVIDIA合作發展AI降尺度技術，將全球模式25公里資料解析度提升為2公里。張保亮解釋，AI從4年的資料裡面去學到比較粗的解析度跟比較細的解析度之間的關聯性。

「降尺度技術」是目前的折衷方法，概念類似一張畫質差的照片，透過AI學習修復成高解析度的圖，作為目前全球AI模式因為解析度低，難以做風雨預報的暫時性方案。陳柏孚認為，「防災對於時間解析度的需求也是很高，暫時用降尺度的技術沒有辦法完全解決。」

黃椿喜表示，中央氣象署也跟台灣大學、中央大學等學術單位合作，開發台灣附近的高精細人工智慧模型，在颱風本身結構跟強度上做更好的預測。

陳柏孚老師的實驗室也在研發台灣原生的AI天氣預報架構，訓練小範圍的AI模型，一種是跟著颱風跑、一種是聚焦在台灣，希望能提升AI模型的解析度。陳柏孚指出，這兩種小範圍的AI模型未來可以補足現在的AI模式沒有辦法做颱風發展和風雨預報。

張保亮說道，「未來如果AI區域天氣預報模型要能夠應用，首先就要有這個區域的資料讓AI學習，所以資料就變得非常重要。氣象署也計畫針對台灣周遭區域的資料重分析，希望把三度空間的資料品質做提升。」