地球运作也可以有基础模型 (Foundation Model)

2026年入夏以来，台风与极端高温频繁进入新闻版面。放大到近几年，豪雨与干旱轮流上场，已逐渐成为常态。而理解、预报这些天气的技术，正逐渐转向AI。

70年前，人类第一次用电脑做天气预报，把大气层切成格点，用物理方程序描述流体运动，交给超级电脑逐步求解。这套方法称为数值天气预报（Numerical Weather Prediction；NWP），至今仍是全球气象业的骨干。每次全球预报都要在数百万个网格上反复求解流体力学方程组。气象单位的标准作法还利用ensemble，同时跑多组条件略有差异的预报，用多个结果来改善预测品质。所以，运算是刚性需求，气象也长期是全球高效能运算（HPC）的大用户之一。

AI挑战数值天气预报的成果，从2022年前后开始出现。Google DeepMind的GraphCast在标准评测的90%预测上，胜出欧洲中期天气预报中心（ECMWF）的主要数值模型。华为的盘古模型采用同样的數據驱动作法，论文估计其「推论」（实际预测时）速度比当时的营运数值系统快超过1万倍。2025年5月，微软（Microsoft）的Aurora再推进，在超过百万小时地球相关地球观测數據上预训练，再微调出空气品质、海浪、台风路径、高分辨率天气4个应用版本，在各自的评测项目上都优于现行的数值系统，其中5天台风路径预报胜过7个主要预报中心。2026年7月，Aurora的新版再加入能源、农业、交通等需要的预报项目，同时也公开释出模型权重（13亿参数）。

ECMWF在2025年已陆续把自家AI预报系统AIFS的单一预报与ensemble版本，纳入每日例行预报的正式流程，与传统数值系统并行。美国国家海洋暨大气总署（NOAA）也在2025年12月部署AI全球预报系统，以开源的GraphCast为基础，再用NOAA自己的數據进行额外训练，其中传统物理模型与AI混合的ensemble，表现优于两者单独使用。70年来由超级电脑支撑的气象预报，目前是两套系统并行运作，而依NOAA的数字，AI版预报用的运算量不到传统系统的1%。但运算需求不会因此消失，AI预报每次起算，仍要靠传统系统把全球观测整合成一致的初始状态。

成本差距这么大，是因为AI模型预报的方式与传统NWP大相迳庭。

NWP的逻辑由物理定律出发，把已知的定律写成方程序，再用大量运算逐步推演大气状态。AI模型则从几十年的历史數據学状态之间怎么转变，不必在每次预报时重新求解完整的方程组，也不要求先理解背后的物理机制。作法上与语言模型从文本学结构、AlphaFold从序列与结构數據学规律相近。主要的运算成本落在预训练与微调，之后每次推论只要少量运算，秒级到分钟级就能完成。

标的也不只有天气。传统地球系统预报由大气、海洋、海浪与空气化学等模塊串接而成，彼此交换信息，但各模塊有各自的數據、方程序与开发流程。Aurora则是同一个预训练模型微调出不同任务版本，学到的不只是天气，还包括地球系统其他层面的动态。

有趣的是，原本集中在国家级气象机构的预测能力，正在往产业端扩散，变成可以自己部署、自己微调的一项基础能力。

能源是最直接的例子。各主要市场的尖峰与离峰电价差正在拉大，數據中心与各类新增电气化用电的成长又推高尖峰，电网业者同时推动需量反应、时间电价与电网级储能，试著用各种手段把用电尖峰压下来。国际能源总署（IEA）估计，全球住宅空调贡献约600 GW的尖峰负载，但实际被调度的比例仍低。

这些节能操作都得提前预备。需量反应得先通知用户，储能得决定何时充放，前提是知道什么时候缺、缺多少。而尖峰出现的时间与高度，相当程度由天气决定。空调只占全年用电约1成，却占了尖峰需求的3成；以印度为例，2024年气温每上升1度，尖峰需求就增加7 GW。太阳能与风电的出力同样取决于天候。我们多年来参与太阳能电厂的智能监控与发电量预测，与电力公司长期协作，台风前后那几天的发电量预测不确定性明显升高，也正是调度特别需要可靠信息的时候。

NWP的维运要有超级电脑、實時观测數據整合与跨国观测站網絡，门槛一直很高。几个代表性模型的权重已经公开，推论的运算需求远低于传统NWP，用自有數據微调的作法也逐渐普及。能源、物流、农业、保险，原则上都有机会微调出贴近自身需求的预测系统。

几个局限还待克服。目前已知效能仅限于评测基准上的统计结论，进入电网调度或供应链决策之前，仍需在具体场域验证极端事件下的稳定性。空间分辨率是另一个实际限制。以Aurora为例，分辨率较高的全球预报也只到约11公里，对初略天气型态已有参考价值，对太阳能光电场址层级的预测仍不足。臺湾多山地形往往需要公里级分辨率，还得再把粗网格的预报细化到局部地形，实务上这段差距目前多靠场址端的實時量测与在地數據来弥补。

更根本的是，AI模型的训练數據来自历史气候，气候变迁正让极端事件的频率与型态偏离历史分布，这是所有靠數據学习的方法都会碰到的问题。

同一套「基础模型」的想法正在往DNA序列、材料结构等领域扩散。地球系统不一样的地方在于，它的预测结果每天都得使用。语言模型出错，多半只是一段不可靠的文字。地球模型出错，影响的是明天的发电、用水与物流安排。其他领域的基础模型多半还在改变研究的方式，地球系统的模型已经进入营运现场，每天接受现实检验。