数值天气预报是现代气象服务的重要基础，天文台制作天气预报时会参考一系列数值天气预报模式。这些模式把地球大气的三维空间分割成网格点阵，结合来自地面、卫星、雷达等不同来源的观测资料，透过高性能电脑计算一系列气象要素（例如风速、温度、气压、相对湿度）在每个网格点随时间的演变，以此预测未来的天气。传统天气预报模式求解一套基于大气物理及动力学原理的方程式，其运算成本高昂且耗时长；加上现今科学对很多天气现象的物理过程描述仍有不足，特别是强对流、暴雨等变化急速和范围细小的天气现象，传统天气预报模式方程式需要采取一定的近似或简化。因为大气自身的混沌性，以及观测资料的误差与数值方程式的近似处理，数值天气预报模式的预报结果会存在误差，而这些误差会随预报时间延长而增加。

近年来，人工智能技术的迅速发展为气象预测带来新契机。人工智能天气预报模式并非直接求解物理方程，而是利用长期累积的大量全球气象数据进行深度学习，从中掌握天气系统的演变规律，并预测未来的变化（图一）。有关人工智能模式的原理，可以参考「基于人工智能的天气预报」一文。

目前人工智能模式已经可以较准确地预测大尺度天气系统的演变。根据天文台的2024年模式预报验证结果，多个人工智能模式对未来10天大尺度天气形势的预报表现已经达到甚至略优于传统数值天气预报模式的水平；而且在热带气旋路径的中期预测上，整体表现已经优于传统模式。总结2024年各全球模式在西北太平洋及南海的热带气旋路径预报表现（图二），人工智能模式（实线示）的路径平均误差普遍比传统模式（虚线示）小。惟须注意的是，人工智能模式对热带气旋路径的第5日预报平均误差仍高达300至400公里，对某一地区而言，此等误差足以构成极为不同的影响。

受限于人工智能模式的训练数据品质和解像度、以及模式的训练策略和演算法，当前的人工智能模式仍有相当大的限制，特别是中小尺度的天气系统。例如，人工智能模式的时空解像度仍不及传统模式精细；大部分人工智能模式仅可提供风、温度、气压等有限的气象要素预测；即使最近部分人工智能模式提供降雨预测，惟大雨过程的确实时间、位置和雨量仍未能完全掌握；此外，对于成熟的热带气旋，人工智能模式倾向低估其强度（图三）。至于极端天气事件，由于极端事件在历史上出现的次数不多，甚至可能从未出现于模式的训练资料中，人工智能模式对极端天气事件的预测能力仍有待进一步验证。

天文台自2023年年中开始引进并实时运行一系列人工智能天气预报模式，包括「风乌」^[1]、「伏羲」^[2]、「盘古」^[3]、「AIFS」^[4] 等。天文台利用模式输出的天气要素制作一系列客观预报产品，如显示大尺度天气形势的预报图、热带气旋移动路径、本港气温、风速的时间序列等，亦会根据各模式过去的表现，以统计学及机器学习的方法修订各模式的偏差。

在日常运作中，预报员会同时参考多个传统模式和人工智能模式。模式之间常常出现分歧，预报员会根据模式过往的表现、稳定性、是否吻合实况观测等多项因素，结合过往于类似天气情况下的预报经验，综合判断哪些模式的预报情境和结果较为切合天气形势，并会因应本地地形和气候特征等因素对预报产品进行适切的调整。

热带气旋预报是两种模式互补的例子：人工智能模式在路径预报上往往表现较佳，能有效降低预报位置误差，而传统模式则在强度预测及大风区分布等方面仍稍有优势。以2023年袭港的超强台风苏拉为例，与其相关的暴风至飓风一度影响本港多处地区。传统模式普遍预测苏拉会带来暴风至飓风程度的风力，但人工智能模式「盘古」的预测大幅低估其风力（图四）。天文台会根据不同情境，灵活运用传统模式与人工智能模式的输出结果，有助提升不同时空尺度和不同天气系统的整体预报准确度。

尽管人工智能模式的应用仍处于初步阶段，其快速发展显示出巨大的潜力。展望未来，提升训练数据的品质与解像度可望改善人工智能模式对中小尺度天气系统的预报能力，亦可扩展可预测的气象要素。天文台会继续验证人工智能模式的表现，积极推动其在预报业务的应用，并与大学及科研机构合作以进一步提升预报模式的能力，致力为市民提供更准确、更及时的天气资讯。