AI 如何改變天氣預報（第 3/4 段）

🧑‍🏫 這段在講 Google DeepMind 的 AI 天氣模型怎麼從「給一個答案」變成「給很多種可能」，以及新一代 Weather Next 3 多了什麼：直接吃衛星影像、每小時更新、能幫電力和農業做判斷。看完你會懂氣象預報裡的「機率」和「信心」到底是怎麼算出來的。

• 22:18 傳統數值天氣預報本來就用機率模型，推演多種情境代表不同的可能未來。
  ↳ 傳統預報（numerical weather prediction，用物理公式加超級電腦算天氣）本來就不只算一次，而是算很多種版本，每一版代表一種可能的未來。
• 22:50 最大差異：不預測「平均天氣」，而是預測許多可能發生的情境，對極端事件與決策更有用。
  ↳ 只給「平均」會把極端狀況抹平，例如颱風可能往北或往南，平均起來變成走中間，但那條路其實最不可能。所以要把各種可能分開列出來。
• 22:50 罕見但影響大的事件，即使只有 5 或 10% 機率發生，也會想預先準備。
  ↳ 機率低不等於可以不管。像強颱直撲的機率只有一成，但一旦發生損失很大，所以還是值得先準備。
• 22:50 颶風路徑圖上那些一條條的線叫 spaghetti plots，每條線就是一個不同情境。
  ↳ 你在颱風新聞看過那種一把線的路徑圖，那就叫 spaghetti plots（義大利麵圖）。每一條線是模型算出的一種可能走法。
• 23:22 做出機率式預測的方法有兩種。第一種是 diffusion models，和影片生成的 AI 技術一樣。
  ↳ 要讓 AI 產生多種可能，有兩條路。第一條是 diffusion models（擴散模型），也就是 AI 生圖、生影片背後的那套技術。
• 23:52 diffusion models 學會把很雜訊的影像變成像天氣的樣子；從許多不同雜訊影像出發，會得到略有不同的情境，產生多樣性。
  ↳ 擴散模型的做法是從一張全是雜點的圖開始，一步步修成像真的天氣圖。每次起點的雜點不同，修出來的結果就略有不同，多種情境就是這樣來的。
• 24:25 第二種是團隊自己發明的 functional generative networks：注入不同輸入情境，稍微改變神經網路的權重（參數），得到多樣輸出。
  ↳ 第二條路是團隊自創的 functional generative networks：每次稍微動一下模型內部的數值（weights，也叫參數，決定模型怎麼算的設定），答案就會有點不一樣。
• 25:00 主持人比喻：像問「這裡有隻蝴蝶會怎樣」，重複跑數百、也許數千次，看出未來最可能的樣子。
  ↳ 主持人拿蝴蝶效應來講：一開始差一點點，後來可能差很多。所以把「差一點點」的版本跑幾百、幾千次，看大多數結果落在哪裡。
• 25:00 模型給出一系列情境，每個都可能發生。
  ↳ 模型交出來的不是一個標準答案，而是一疊劇本，每一本都有可能成真，不是只有其中一本才算數。
• 25:00 以 Hurricane Melissa 為例：所有情境對強度的預測都一致時，就能很有信心那會發生。
  ↳ 以颶風 Melissa 為例：如果每一種情境都說它會很強，大家答案一樣，那就可以很放心地相信這件事會發生。
• 25:31 若 spaghetti plots 四散各處，代表模型在說很難知道會發生什麼。
  ↳ 反過來，如果那把線散得到處都是，意思是模型在老實說：這次我也看不準。
• 25:31 天氣預報有些事無法得知，模型要能認知這點、保持謙遜，不要過度自信。
  ↳ 天氣有些部分本來就不可能提早知道。好的模型要能承認「不知道」，而不是硬給一個看起來很肯定的答案。
• 25:31 信心程度就是這樣來的：各情境預測一致時，表示發生機率很高。
  ↳ 所以預報裡的「信心」不是憑感覺，而是看各個情境有多一致。越一致，發生的機會就越高。
• 26:06 Weather Next 3 不只接收氣象局產生的天氣狀態估計，也接收原始衛星影像。
  ↳ 以前的 AI 模型只吃氣象局整理好的「現在天氣狀態」。Weather Next 3 另外還直接吃衛星拍到的原始影像。
• 26:06 它不只預測全球天氣的估計，也預測機場等高品質氣象站實際量到的數值；以原始資料輸入、原始資料輸出，超越傳統數值天氣預測。
  ↳ 輸出也變了：除了全球天氣的估計，還直接預測機場這類氣象站實際會量到的數字。進去和出來的都是原始資料，中間少了轉手。
• 26:40 「天氣樹」比喻：根是各處來的資料；根與樹幹交界處是對當下天氣狀態的猜測；樹幹是預測全球天氣的作業模型。
  ↳ 他們用一棵樹來解釋天氣預報的流程：樹根是各地收來的觀測資料，根和樹幹交界是「現在天氣長怎樣」的推估，樹幹是算全球天氣的主力模型。
• 27:11 樹枝是不同團體針對特定用途開發的模型（區域模型、能源預測、極端天氣）；葉子是應用，例如用手機查所在地現在的氣溫。
  ↳ 樹枝是各單位拿主力模型的結果再加工的專用模型，像區域預報、能源、極端天氣。葉子就是你實際用到的東西，例如手機上顯示的現在氣溫。
• 27:11 目標是重塑整棵天氣樹與整個價值鏈：用單一模型從根的資訊一次預測到葉子。
  ↳ 他們想做的是把整棵樹重做：不要一層交給一層，而是一個模型從樹根的原始資料直接算到葉子的最終結果。
• 27:42 Weather Next 是首次嘗試：在單一模型中輸入原始衛星觀測、輸出原始測站觀測。傳統上這至少分三到四個階段。
  ↳ Weather Next 是他們第一次這樣試：衛星原始資料進去、測站會量到的數字出來，全在一個模型裡完成。以前這至少要分三、四個步驟。
• 27:42 很多團隊都在想端到端這個明顯的點子，但 Weather Next 3 大概是第一個做到比先前任何 AI 或傳統模型都顯著更準確的。
  ↳ 這種一個模型從頭做到尾的做法叫 end-to-end（端到端），很多人都想到了。受訪者認為自己大概是第一個做到明顯比過去所有方法都準的。
• 28:12 某種程度上它像「看窗外」的 AI 版：看到雲多就猜不會太暖、樹在動就猜有風，只是精密得多、用更多電腦。
  ↳ 它有點像你看窗外判斷天氣：雲多就猜不會太熱，樹在搖就知道有風。它做的也是直接「看」，只是看的是衛星影像，而且精密很多。
• 28:42 它把許多處理階段收合成較單一的架構與演算法。
  ↳ 原本分好幾段、各自一套做法的流程，現在收成比較統一的一套，中間的交接變少。
• 28:42 解析度更高，影像不再模糊或像素化，而且可以在不同解析度下做預測。
  ↳ resolution（解析度）就是畫面的細緻度。新模型的天氣圖更細，不再糊糊的或一格一格，而且可以依需要輸出不同粗細的版本。
• 28:42 不再每六小時預測一次，而是每一小時產生新的預報，因為輸入的衛星影像每小時更新。
  ↳ 以前每六小時才出一次新預報，現在每小時就更新一次，因為它吃的衛星影像本來就是每小時一張新的。
• 29:16 預報本身的時間解析度也更高：模型原生預測六小時窗口內的一系列天氣狀態，能說出一點、兩點、三點的天氣，而非只有六點、十二點。
  ↳ 預報內容本身也更細，這叫 temporal resolution（時間解析度）。以前只告訴你六點、十二點的天氣，現在一點、兩點、三點都能講。
• 30:00 Weather Next 3 的許多設計決策，是根據使用者說希望下一代天氣模型有什麼而定的。
  ↳ 這些新功能不是研究人員自己想的，很多是先問實際在用的人「下一代你想要什麼」，再照需求設計。
• 30:00 load 是電力需求的技術用語。風力發電主要取決於風速，太陽能取決於日照多寡。
  ↳ load 是電力業的行話，指用電需求。發電那一邊，風力發多少看風速，太陽能發多少看日照。
• 30:35 電網需供應的電量深受氣溫影響：冷了開暖氣、熱了開冷氣，所以夏天最熱與冬天最冷時出現用電高峰。
  ↳ 用電量很看氣溫：冷了開暖氣、熱了開冷氣。所以夏天最熱和冬天最冷的時候，用電會衝到最高。
• 30:35 更準確預測氣溫與濕度，就能更準預測電力需求；更準的風與日照預測，則能更準預測電力供給。
  ↳ 所以氣溫和濕度報得準，就能估準大家要用多少電；風和日照報得準，就能估準能發多少電。兩邊都知道才好調度。
• 30:35 Weather Next 3 提供先前沒有的風與太陽能新變數，有助發電預測；更高解析度的地表溫度則有助電力需求預測。
  ↳ Weather Next 3 新增了以前沒有的風和太陽能相關數值，方便估發電量。地表溫度也變得更細，方便估用電量。
• 31:09 受訪者認為（自己也說不確定）農民大概是最古老的天氣預報者，何時播種、收成完全取決於氣溫和降雨。
  ↳ 受訪者自己說不太確定，但他覺得農民大概是最早在預測天氣的人，因為什麼時候播種、什麼時候收成，全看氣溫和雨水。
• 31:09 若能預測每週降雨量或一個月的平均氣溫，就能輔助農業決策。
  ↳ 農業要的不是明天下午會不會下雨，而是這一週總共下多少、這個月平均多熱。這種較長期的預測能幫忙做決定。
• 31:39 也可據此種不同作物，如抗旱種子、耐雨種子。
  ↳ 知道接下來偏乾還是偏濕，就能選不同的作物或種子，例如預期缺水就種耐旱的，預期多雨就種耐雨的。
• 31:39 AI 天氣模型延伸到這些影響領域後，可考慮做更長期的預報（已有人開始研究），並更直接模擬農業決策，例如多少雨量算太多需要準備、多少算正常。
  ↳ 往這些領域延伸後，下一步可以做更長期的預報（已經有人在研究），也可以更直接回答農民的問題，例如雨下到多少才算太多、需要先準備。
• 32:09 Weather Next 3 中，加入太陽能與風的變數相對直接，但不算簡單，因為這些變數特性不同，必須納入考量。
  ↳ 在 Weather Next 3 裡加入風和太陽能這些數值，算是比較單純的工作，但也不輕鬆，因為它們的特性和氣溫那類數值不一樣，得另外處理。
• 32:09 更細的時間解析度、輸入衛星影像、預測測站，則是對模型架構與訓練流程更深、更劇烈的改動。
  ↳ 相比之下，把時間切得更細、改吃衛星影像、改成預測測站數字，這幾項才是大工程，模型的結構和訓練方式都要大改。
• 32:42 現在 AI 天氣模型已明顯比傳統數值方法準確。
  ↳ 受訪者的看法是：到現在，AI 天氣模型已經明顯比傳統用物理公式算的方法準。
• 32:42 受訪者認為 GraphCast 是第一個比傳統決定性預報更準的 AI 天氣模型。
  ↳ deterministic forecast 是只給一個答案的預報。受訪者認為 GraphCast 是第一個在這種預報上贏過傳統方法的 AI 模型。
• 32:42 GenCast 是第一個顯著比數值天氣預測最佳機率式預報更準的模型；新模型建立在舊模型的表現之上。
  ↳ GenCast 則是在「給多種可能」的預報上，第一個明顯贏過傳統最好成績的模型。每一代都是踩在上一代的成果上再往前。
• 33:13 受訪者認為自家模型往往比其他團隊的更準，但也說很難斷定，因為有不同變數（氣溫、風）與不同預報時距。
  ↳ 他覺得自家模型通常比別人準，但也承認很難一口咬定，因為比的項目很多：氣溫、風各算各的，預報多遠以後（forecast horizons）也會影響結果。

依字幕，Weather Next 3 為什麼能每一小時就產生新的預報，而不是每六小時一次？