數值天氣預報是現代氣象服務的重要基礎，天文台製作天氣預報時會參考一系列數值天氣預報模式。這些模式把地球大氣的三維空間分割成網格點陣，結合來自地面、衛星、雷達等不同來源的觀測資料，透過高性能電腦計算一系列氣象要素（例如風速、溫度、氣壓、相對濕度）在每個網格點隨時間的演變，以此預測未來的天氣。傳統天氣預報模式求解一套基於大氣物理及動力學原理的方程式，其運算成本高昂且耗時長；加上現今科學對很多天氣現象的物理過程描述仍有不足，特別是強對流、暴雨等變化急速和範圍細小的天氣現象，傳統天氣預報模式方程式需要採取一定的近似或簡化。因為大氣自身的混沌性，以及觀測資料的誤差與數值方程式的近似處理，數值天氣預報模式的預報結果會存在誤差，而這些誤差會隨預報時間延長而增加。

近年來，人工智能技術的迅速發展為氣象預測帶來新契機。人工智能天氣預報模式並非直接求解物理方程，而是利用長期累積的大量全球氣象數據進行深度學習，從中掌握天氣系統的演變規律，並預測未來的變化（圖一）。有關人工智能模式的原理，可以參考「基於人工智能的天氣預報」一文。

目前人工智能模式已經可以較準確地預測大尺度天氣系統的演變。根據天文台的2024年模式預報驗證結果，多個人工智能模式對未來10天大尺度天氣形勢的預報表現已經達到甚至略優於傳統數值天氣預報模式的水平；而且在熱帶氣旋路徑的中期預測上，整體表現已經優於傳統模式。總結2024年各全球模式在西北太平洋及南海的熱帶氣旋路徑預報表現（圖二），人工智能模式（實綫示）的路徑平均誤差普遍比傳統模式（虛綫示）小。惟須注意的是，人工智能模式對熱帶氣旋路徑的第5日預報平均誤差仍高達300至400公里，對某一地區而言，此等誤差足以構成極為不同的影響。

受限於人工智能模式的訓練數據品質和解像度、以及模式的訓練策略和演算法，當前的人工智能模式仍有相當大的限制，特別是中小尺度的天氣系統。例如，人工智能模式的時空解像度仍不及傳統模式精細；大部分人工智能模式僅可提供風、溫度、氣壓等有限的氣象要素預測；即使最近部分人工智能模式提供降雨預測，惟大雨過程的確實時間、位置和雨量仍未能完全掌握；此外，對於成熟的熱帶氣旋，人工智能模式傾向低估其強度（圖三）。至於極端天氣事件，由於極端事件在歷史上出現的次數不多，甚至可能從未出現於模式的訓練資料中，人工智能模式對極端天氣事件的預測能力仍有待進一步驗證。

天文台自2023年年中開始引進並實時運行一系列人工智能天氣預報模式，包括「風烏」^[1]、「伏羲」^[2]、「盤古」^[3]、「AIFS」^[4] 等。天文台利用模式輸出的天氣要素製作一系列客觀預報產品，如顯示大尺度天氣形勢的預報圖、熱帶氣旋移動路徑、本港氣溫、風速的時間序列等，亦會根據各模式過去的表現，以統計學及機器學習的方法修訂各模式的偏差。

在日常運作中，預報員會同時參考多個傳統模式和人工智能模式。模式之間常常出現分歧，預報員會根據模式過往的表現、穩定性、是否吻合實況觀測等多項因素，結合過往於類似天氣情況下的預報經驗，綜合判斷哪些模式的預報情境和結果較為切合天氣形勢，並會因應本地地形和氣候特徵等因素對預報產品進行適切的調整。

熱帶氣旋預報是兩種模式互補的例子：人工智能模式在路徑預報上往往表現較佳，能有效降低預報位置誤差，而傳統模式則在強度預測及大風區分佈等方面仍稍有優勢。以2023年襲港的超強颱風蘇拉為例，與其相關的暴風至颶風一度影響本港多處地區。傳統模式普遍預測蘇拉會帶來暴風至颶風程度的風力，但人工智能模式「盤古」的預測大幅低估其風力（圖四）。天文台會根據不同情境，靈活運用傳統模式與人工智能模式的輸出結果，有助提升不同時空尺度和不同天氣系統的整體預報準確度。

儘管人工智能模式的應用仍處於初步階段，其快速發展顯示出巨大的潛力。展望未來，提升訓練數據的品質與解像度可望改善人工智能模式對中小尺度天氣系統的預報能力，亦可擴展可預測的氣象要素。天文台會繼續驗證人工智能模式的表現，積極推動其在預報業務的應用，並與大學及科研機構合作以進一步提升預報模式的能力，致力為市民提供更準確、更及時的天氣資訊。