地球運作也可以有基礎模型 (Foundation Model)

2026年入夏以來，颱風與極端高溫頻繁進入新聞版面。放大到近幾年，豪雨與乾旱輪流上場，已逐漸成為常態。而理解、預報這些天氣的技術，正逐漸轉向AI。

70年前，人類第一次用電腦做天氣預報，把大氣層切成格點，用物理方程式描述流體運動，交給超級電腦逐步求解。這套方法稱為數值天氣預報（Numerical Weather Prediction；NWP），至今仍是全球氣象業的骨幹。每次全球預報都要在數百萬個網格上反覆求解流體力學方程組。氣象單位的標準作法還利用ensemble，同時跑多組條件略有差異的預報，用多個結果來改善預測品質。所以，運算是剛性需求，氣象也長期是全球高效能運算（HPC）的大用戶之一。

AI挑戰數值天氣預報的成果，從2022年前後開始出現。Google DeepMind的GraphCast在標準評測的90%預測上，勝出歐洲中期天氣預報中心（ECMWF）的主要數值模型。華為的盤古模型採用同樣的資料驅動作法，論文估計其「推論」（實際預測時）速度比當時的營運數值系統快超過1萬倍。2025年5月，微軟（Microsoft）的Aurora再推進，在超過百萬小時地球相關地球觀測資料上預訓練，再微調出空氣品質、海浪、颱風路徑、高解析度天氣4個應用版本，在各自的評測項目上都優於現行的數值系統，其中5天颱風路徑預報勝過7個主要預報中心。2026年7月，Aurora的新版再加入能源、農業、交通等需要的預報項目，同時也公開釋出模型權重（13億參數）。

ECMWF在2025年已陸續把自家AI預報系統AIFS的單一預報與ensemble版本，納入每日例行預報的正式流程，與傳統數值系統並行。美國國家海洋暨大氣總署（NOAA）也在2025年12月部署AI全球預報系統，以開源的GraphCast為基礎，再用NOAA自己的資料進行額外訓練，其中傳統物理模型與AI混合的ensemble，表現優於兩者單獨使用。70年來由超級電腦支撐的氣象預報，目前是兩套系統並行運作，而依NOAA的數字，AI版預報用的運算量不到傳統系統的1%。但運算需求不會因此消失，AI預報每次起算，仍要靠傳統系統把全球觀測整合成一致的初始狀態。

成本差距這麼大，是因為AI模型預報的方式與傳統NWP大相逕庭。

NWP的邏輯由物理定律出發，把已知的定律寫成方程式，再用大量運算逐步推演大氣狀態。AI模型則從幾十年的歷史資料學狀態之間怎麼轉變，不必在每次預報時重新求解完整的方程組，也不要求先理解背後的物理機制。作法上與語言模型從文本學結構、AlphaFold從序列與結構資料學規律相近。主要的運算成本落在預訓練與微調，之後每次推論只要少量運算，秒級到分鐘級就能完成。

標的也不只有天氣。傳統地球系統預報由大氣、海洋、海浪與空氣化學等模組串接而成，彼此交換資訊，但各模組有各自的資料、方程式與開發流程。Aurora則是同一個預訓練模型微調出不同任務版本，學到的不只是天氣，還包括地球系統其他層面的動態。

有趣的是，原本集中在國家級氣象機構的預測能力，正在往產業端擴散，變成可以自己部署、自己微調的一項基礎能力。

能源是最直接的例子。各主要市場的尖峰與離峰電價差正在拉大，資料中心與各類新增電氣化用電的成長又推高尖峰，電網業者同時推動需量反應、時間電價與電網級儲能，試著用各種手段把用電尖峰壓下來。國際能源總署（IEA）估計，全球住宅空調貢獻約600 GW的尖峰負載，但實際被調度的比例仍低。

這些節能操作都得提前預備。需量反應得先通知用戶，儲能得決定何時充放，前提是知道什麼時候缺、缺多少。而尖峰出現的時間與高度，相當程度由天氣決定。空調只佔全年用電約1成，卻佔了尖峰需求的3成；以印度為例，2024年氣溫每上升1度，尖峰需求就增加7 GW。太陽能與風電的出力同樣取決於天候。我們多年來參與太陽能電廠的智慧監控與發電量預測，與電力公司長期協作，颱風前後那幾天的發電量預測不確定性明顯升高，也正是調度特別需要可靠資訊的時候。

NWP的維運要有超級電腦、即時觀測資料整合與跨國觀測站網路，門檻一直很高。幾個代表性模型的權重已經公開，推論的運算需求遠低於傳統NWP，用自有資料微調的作法也逐漸普及。能源、物流、農業、保險，原則上都有機會微調出貼近自身需求的預測系統。

幾個侷限還待克服。目前已知效能僅限於評測基準上的統計結論，進入電網調度或供應鏈決策之前，仍需在具體場域驗證極端事件下的穩定性。空間解析度是另一個實際限制。以Aurora為例，解析度較高的全球預報也只到約11公里，對初略天氣型態已有參考價值，對太陽能光電場址層級的預測仍不足。台灣多山地形往往需要公里級解析度，還得再把粗網格的預報細化到局部地形，實務上這段差距目前多靠場址端的即時量測與在地資料來彌補。

更根本的是，AI模型的訓練資料來自歷史氣候，氣候變遷正讓極端事件的頻率與型態偏離歷史分布，這是所有靠資料學習的方法都會碰到的問題。

同一套「基礎模型」的想法正在往DNA序列、材料結構等領域擴散。地球系統不一樣的地方在於，它的預測結果每天都得使用。語言模型出錯，多半只是一段不可靠的文字。地球模型出錯，影響的是明天的發電、用水與物流安排。其他領域的基礎模型多半還在改變研究的方式，地球系統的模型已經進入營運現場，每天接受現實檢驗。