数码之家

 找回密码
 立即注册

QQ登录

只需一步,快速开始

搜索
查看: 73|回复: 0

[科技] AI赢了一半!台风“蔷琵‌”路径预测超准,但风速强度还是得靠超级计...

[复制链接]
发表于 2 小时前 | 显示全部楼层 |阅读模式
嘿,屏幕前正在刷手机的各位数码之家坛友,不管你现在是窝在沙发上翘着二郎腿悠闲过周末,还是加班到这会儿才喘口气偷偷摸鱼,有个事儿我觉得值得你们放下手里的活儿听我唠几句。今天是2026年10月31日,星期六,按理说这应该是个让人心情放松的日子,可太平洋那边有个叫“蔷琵‌”的家伙正在那儿折腾,搅得不少人心神不宁。我说的这个“蔷琵‌”可不是哪个网红或者明星的外号,它是今年太平洋台风季的第30号台风,一个实打实的狠角色。每次遇到这种大台风,咱们普通老百姓最关心的无非就那么一个问题:这风到底往哪儿刮?会不会影响到我这儿?需不需要提前做准备?而这个问题,恰恰也是全球气象界目前最头疼、也最有争议的一个话题。因为现在摆在桌面上的,已经不是单纯的天气预报表不准确的问题了,而是一场关于技术路线的大讨论——一边是老牌的、靠超级计算机暴力算力撑起来的传统数值模型,另一边是这几年异军突起、靠海量数据和深度学习吃饭的人工智能模型。这两拨人马针对“蔷琵‌”接下来的走向给出了截然不同的判断,而且双方都有自己的道理和依据,谁也不服谁。更有意思的是,已经有研究表明,AI在某些方面的表现确实已经超过了那些造价昂贵的超级计算机,但AI也不是万能的,它在另一些关键指标上照样栽跟头。今天这篇文章,我就带着大伙儿把这事儿从头到尾捋一遍,看看这场新老对决到底谁占了上风,以及这对咱们将来怎么看天气预报到底意味着什么。



先把这个台风的基本情况给大家交代清楚。根据韩国气象厅在刚过去的周四下午3点钟发布的实时监测数据来看,当时“蔷琵‌”所处的位置大概在咱们中国台湾地区台北市东南方向大约620公里的洋面上。这个大家伙当时的移动方向是西北向,移动速度不算快,只有每小时10公里左右。要知道,一般人散步的速度大概是每小时5公里,也就是说“蔷琵‌”挪动的速度也就比普通人快走稍微快那么一点点。但这个速度慢并不代表它不可怕,关键在于它的能量级别。这个台风在最巅峰的时候曾经达到过五级超强台风的标准,那是萨菲尔-辛普森飓风等级里面的最高一级,相当于风速超过每小时252公里的毁灭性级别。虽说到周四下午那会儿它已经有所减弱,降到了四级,但四级台风依然是能够掀翻屋顶、折断大树、引发严重洪涝灾害的存在。韩国气象厅那边给出的研判结论是,这个台风的最终走向有可能会给韩国、咱们中国以及日本带来直接或者间接的影响。所以你看,这不光是某个单一国家的事情,而是整个东亚地区都需要密切关注的一个重大天气事件。

那么问题就来了,既然这个台风来势汹汹,各个气象机构又是怎么判断它接下来的行进路线的呢?这里面的分歧就大了去了。实际上,从“蔷琵‌”刚刚在太平洋上生成那会儿开始,传统的超级计算机数值模型和新兴的人工智能模型在预测结果上就没能达成一致。AI模型这边的态度一直非常明确且稳定,它们反复给出的预测结论是:“蔷琵‌”会在逼近台湾地区之前果断地来一个大角度的急转弯,径直折向东北方向,然后从济州岛南边的海域穿过去,最终的目标是日本列岛。也就是说,按照AI的剧本走,咱们中国大陆沿海和台湾地区基本上只需要防范一下外围环流带来的风雨,不至于被台风的中心区域正面冲击。但是另一边,欧洲中期天气预报中心也就是大家熟知的ECMWF那个享誉全球的数值预报系统,还有其他一些传统超级计算机模型,它们给出的答案却完全是另一番景象。这些老牌模型坚持认为,“蔷琵‌”会走得比AI预测的更靠西,要么直接从台湾地区的东北角擦过去甚至登陆,要么就是一路冲到离咱们中国海岸线相当远的海面上之后再调头转向。这两个预测结果之间的差异,不仅仅是距离远近的偏差问题,而是完全不同的防灾动员级别和应急响应预案。你说这让各地的防汛部门怎么选?信AI还是信超级计算机?

在这场针锋相对的较量当中,美国联合台风预警中心也就是JTWC率先亮明了立场,他们选择了站在AI这一边。JTWC那边的人解释说,他们之所以决定采纳AI的预测结论,并不是一时冲动或者盲目追新,而是有充分的事实依据作为支撑的。JTWC特别提到了像谷歌DeepMind这样的AI模型,在过往处理那些大气环流条件和当前“蔷琵‌”所处环境高度相似的台风案例时,这些AI模型对于台风什么时候会做出东北方向转弯的判断表现得相当靠谱,准确率非常高。换句话说,人家是有成功经验打底的,所以这次也愿意再赌一把AI的判断。而韩国气象厅这边最终的官方预报,也在很大程度上跟AI模型的预测结果保持了同步。一位来自韩国气象厅国家台风中心的官员在面对媒体采访时说得很直白:“AI模型在预测台风路径这方面的表现确实很亮眼,准确度很高。我们在仔细评估了这个台风实际的运动轨迹以及它周边气压系统的分布状况之后,最终决定采纳AI所预测的那个东北方向转弯的方案。”不过这位官员也没有把话说满,他很谨慎地补充了一句:“但是这个预报结果到现在为止依然存在着相当大的不确定性,我们正在一刻不停地紧盯着‘蔷琵‌’的动向,随时准备根据新的数据调整预报。”

说到这里,估计很多人都会好奇一个问题:韩国气象厅凭什么敢这么信任AI?难道就不怕AI翻车吗?其实人家这个信心不是凭空来的,而是经过了将近两年的实践积累。韩国气象厅从去年开始,就已经把人工智能技术大规模地应用到台风预报的实际业务当中去了。在最开始的阶段,AI还只是一个辅助性的工具,主要用来做一些数据预处理或者提供一些参考意见,真正拍板做决定的还是那些老牌的传统模型和经验丰富的气象预报员。但是随着AI模型不断迭代升级,预测效果也越来越稳定,它在整个预报体系当中的地位也随之发生了质的变化。到了今天,AI已经从当初那个打杂的小弟,摇身一变成为了台风预报工作的核心支柱之一。可以说,在韩国气象厅内部的业务流程里,AI输出的结果已经不再是仅供参考的附加选项,而是实实在在影响着最终决策的关键变量。

为了搞清楚AI在台风预测这件事情上到底有几斤几两,济州大学台风研究中心专门做了一项很有说服力的研究工作。这个研究团队把过去两年发生在太平洋上的所有台风数据都翻了出来,然后仔仔细细地把AI模型的预测表现和传统数值模型的表现做了一个全方位的对比分析。分析结果显示,在绝大多数情况下,AI模型在预测台风路径时产生的偏差确实比传统模型要小。咱们来看几组硬邦邦的数据。ECMWF那个大名鼎鼎的综合预报系统,在全球范围内都被公认为是数值天气预报领域的标杆产品,它针对未来1天到5天的台风路径进行预测时,平均下来的路径误差是205.5公里。这个数字本身其实已经相当不错了,毕竟要在几天之前就精确预测一个在大气中飘忽不定的气旋的走向,难度可想而知。但是AI模型的表现更猛,大多数AI模型在同期的预测误差连200公里都不到。更让人惊讶的是,在做那种5天以后的长周期预测时,AI的优势进一步扩大了,最大甚至可以领先传统模型多达150公里。济州大学台风研究中心的主任文日柱博士在接受采访的时候毫不掩饰他对AI的认可:“在长期预报这个维度上,AI相对于传统数值模型确实展现出了压倒性的精度优势。如果我们能够把多个表现优异的AI模型的预测结果整合起来综合使用,完全有可能让台风路径预报的整体准确度再上一个台阶。”

不过话说回来,你要是以为AI已经完美无缺、可以全面取代超级计算机了,那你就想得太简单了。任何技术都有它的短板和盲区,AI也不例外。虽然AI在预测台风往哪儿走这件事情上确实有两把刷子,但一旦涉及到预测这个台风到底有多强、移动速度有多快,AI就开始露怯了。根据一些分析报告指出的问题来看,由于可以用来训练AI模型的历史观测数据在数量和覆盖范围上都还存在一定的局限性,AI模型在实际运行过程中很容易低估台风的真实强度。什么意思呢?就是说AI可能会告诉你这个台风的风速是多少多少,属于某一个强度等级,但实际上它的真实威力可能比AI估算的要大得多。这种误判如果在实际的防灾减灾工作中没有被及时发现和纠正,后果是非常严重的。比如说,某个沿海城市根据AI提供的强度数据启动了相应等级的应急预案,但实际到来的台风却比预测的猛烈得多,那之前的准备工作很可能就不足以应对真实的灾害威胁,从而造成不必要的损失。

正因为看到了AI和传统超级计算机各自都有明显的长处和短处,很多业内专家都在呼吁,与其让这两者互相掐架争个你死我活,还不如想办法把它们的长处融合在一起,搞一个混合型的预报系统出来。庆北大学地理系的教授姜南永就说得非常透彻:“传统数值模型的工作原理是通过精密的物理方程去分析和计算大气当中各种作用力是如何相互作用的,从而推导出台风未来的运动趋势,它的底层逻辑是基于物理定律的因果推理。而AI走的完全是另一条路,它不关心那些复杂的物理过程,而是利用海量的历史数据去挖掘和识别那些人类肉眼以及传统模型都有可能忽略的隐藏模式和规律。这两种方法各有各的哲学基础,也各有各的应用边界。最理想的做法不是二选一,而是让它们互相配合、取长补短。”说白了,未来的台风预报大概率不会是某一方独霸天下的局面,而是一场AI负责抓大方向、超级计算机负责抠细节的团队协作。对于我们这些普通老百姓来说,这意味着将来的天气预报可能会越来越准,极端天气来临之前的预警时间也会越来越充裕,让我们有更多的时间去做好准备。

本帖子中包含更多资源

您需要 登录 才可以下载或查看,没有账号?立即注册

x
您需要登录后才可以回帖 登录 | 立即注册

本版积分规则

APP|手机版|小黑屋|关于我们|联系我们|法律条款|数码之家-技术知识分享平台

闽公网安备35020502000485号

闽ICP备2021002735号-2

GMT+8, 2026-10-31 20:22 , Processed in 0.202800 second(s), 6 queries , Gzip On, Redis On.

Powered by Discuz!

© MyDigit.Net Since 2006

快速回复 返回顶部 返回列表