研究发现：AI模型难以准确预测飓风强度

机器学习在飓风预报中最难的部分上失败了。《华盛顿邮报》10月2日报道称，AI模型产生的强度预测违反了物理定律。这对应急规划来说是个严重问题。

神经网络中的物理不一致性

《华盛顿邮报》分析指出的核心问题是，神经网络不受物理定律的约束。与传统数值天气预报模型不同，后者求解流体力学和热力学方程，AI模型只是统计近似器。它们学习输入变量与观测结果之间的相关性。当飓风在历史记录中罕见的区域或以罕见的结构形成时，模型没有物理框架来指导预测。它只是基于训练数据中最接近的匹配项进行猜测。

这导致了科学家所说的“非物理”状态。例如，AI模型可能预测出一个中心气压低于周围环境条件所允许的理论最小值的飓风。或者，它可能预测出需要比海洋表面可用能量更多的能量输入的风速。这些错误不仅仅是统计噪声；它们代表了模型内部逻辑与大气物理现实之间的根本脱节。

传统模型尽管有自身的缺陷，但建立在守恒定律之上。质量、动量和能量在模拟中是守恒的。这并不能保证准确性，但它确保模型的输出保持在物理可能性的范围内。AI模型缺乏这种安全网。正如《华盛顿邮报》所指出的，这使得它们在预测极端场景时不可靠，而这些场景恰恰是预报错误带来最高人类代价的地方。

极端事件的数据缺口

极端事件很少发生。4级和5级飓风发生的频率不足以提供深度学习模型学习细微模式所需的大量高质量数据。

机器学习模型在拥有大量数据时表现最好。它们可以学习常见天气系统中的细微模式，但在处理异常值时力不从心。档案中引用了最近的气候数据，强调了气候变化导致极端天气事件频率增加。例如，北卡罗来纳大学教堂山分校2026年10月3日的一项研究追踪了气候驱动的迁移，表明极端天气正成为人类流离失所更频繁的原因。同样，Phys.org在2026年10月2日的一份报告中指出，林业专家正在制定国家灾害准备指南，这反映了社会向适应更严重天气模式的更广泛转变。这些趋势意味着，AI模型难以预测的“极端”事件正在变得更常见，而不是更少。

如果气候正转向更强烈的飓风，用于训练AI模型的历史数据可能不再能代表未来的条件。这是机器学习中的一个经典问题：分布偏移。模型基于过去进行训练，但被期望预测未来。如果未来在统计上不同于过去，模型的性能就会下降。可以纳入新的物理参数（如海表温度或大气二氧化碳水平）的物理模型，更能应对这种转变。

混合方法及未来方向

研究人员并没有放弃将AI用于天气预报。相反，他们正在开发结合神经网络速度和传统模型物理一致性的混合模型。这些混合方法利用AI加速物理模型的计算步骤，或纠正数据中的已知偏差。然而，《华盛顿邮报》的研究表明，纯粹数据驱动的AI模型尚未准备好取代物理模型进行强度预报。

该研究强调了在关键基础设施和公共安全中部署AI时需要谨慎。虽然AI可以提供有用的见解并加快处理速度，但不能信任它独立决定极端天气事件的强度。能够解释预报物理背景的人类专家必须保持在决策环路中。目标不是取代物理模型，而是将AI作为工具来增强其性能。

这项研究的影响超出了气象学领域。随着AI越来越多地应用于其他复杂系统，如金融市场或气候建模，同样的物理一致性和数据稀缺问题将会出现。飓风预报的教训是，AI必须扎根于物理现实。没有这种基础，它就有产生自信但错误预测的风险，后果可能很严重。

目前，《华盛顿邮报》专栏中引用的专家共识是，物理模型仍然是预报极端天气强度的黄金标准。AI是一个有前途的工具，但还不是替代品。前进的道路涉及严格测试、混合建模以及对每种方法局限性的清晰理解。随着气候变化继续推动极端天气的边界，对准确可靠预报的需求只会增长。科学家的挑战是开发不仅快速高效，而且物理上可靠且值得信赖的AI系统。

近期气候报告的背景

近期报告显示了极端天气的经济影响。《洛杉矶时报》在2026年10月2日指出，随着极端天气影响收成，牛肉、番茄和海带价格正在上涨。墨西哥商业新闻在同一天报道，随着气候压力加大，食品价格正在攀升。这些经济指标表明，极端天气的社会成本已经显现，使得准确预报的需求更加紧迫。

Earth.com在2026年10月2日的一项研究表明，仅靠运动可能有助于身体适应极端高温，这反映了个人适应策略的更广泛趋势。虽然这不直接解决预报问题，但它凸显了气候变化所带来挑战的多面性。《华盛顿邮报》关于AI预报的研究契合这一更广泛的背景，提醒我们，虽然我们可能能够适应极端天气的影响，但首先我们需要知道会发生什么。

AI在气候科学中的整合是一把双刃剑。一方面，它提供了更快、更准确预测的潜力。另一方面，如果模型未得到适当约束，它引入了新的风险。《华盛顿邮报》的研究为科学界和政策制定者敲响了警钟。随着我们深入气候变化时代，我们用来预测未来的工具必须像支配大气的物理定律一样可靠和稳定。研究结果表明，在AI可以信任地用于极端天气预报最关键方面之前，我们还有很长的路要走。