目錄

• 你可能想知道
• 主要主題
• 關鍵見解表
• 後續...

你可能想知道

一家使用氣球感測器與深度學習的小型私人公司，能否產出可與頂級政府模式抗衡的預報？

將原始感測器讀值直接餵入基於 transformer 的 AI 氣象模型，會帶來哪些實際優勢？

主要主題

Windborne Systems 推出的新 AI 驅動天氣預報產品聲稱在頻率上更高，且在數個方面的準確度超越廣受尊敬的歐洲中期天氣預報中心（ECMWF）。Windborne 由一群史丹佛學生於 2019 年創立，最初著重於改良大氣觀測 —— 起先是設計與部署強化型氣球 —— 並已發展為結合資料蒐集與模型開發的公司，現提供每小時一次的預報節奏與更細緻的地理解析度。

Windborne 的第六代模型 WeatherMesh 6 被宣稱在多個變數上優於傳統的基於物理的預報與 ECMWF 的當代 AI 強化預報。Windborne 的產品長舉的一個說明性比較是，WeatherMesh 6 在五天預報時段的準確度相當於傳統模型的一天預報，特別是在地表溫度方面。該模型還產生每小時的預報，而非許多基於物理系統常用的六小時循環，並在觀測密集且品質高的區域（如歐洲與美國大陸）達到 3 公里 的空間解析度。

傳統預報依賴於在全球格點上數值求解物理方程，這需要大量的運算資源與超級電腦的時間。自從約 2022 年出現深度學習氣象模型後，基於 AI 的方法快速加速，能更快執行且從資料中學習統計模式。然而，歷史上許多 AI 模型在解析度、預報變數數量與長距離技能方面，往往落後於頂級的基於物理系統。

Windborne 自稱的競爭優勢在於結合感測器部署與模型工程。公司在任一時刻大約運營 400 個在飛的氣球，從約 15 個地點發射，提供垂直與水平的大氣觀測資料流。公司將 WeatherMesh 6 的多數性能提升歸功於將那些氣球讀值直接匯入 transformer 型預報架構的改良方法。他們的 AI 負責人強調，從專有感測器與其他來源直接攝取資料在提升模型技能上扮演了決定性角色。

這項關鍵見解顯著影響了對 AI 預報的理解：擁有並整合高品質、及時的觀測資料能實質提升 AI 模型的準確度，有時可與擅長資料同化的機構匹敵。 Windborne 的執行長則主張，若一個以 AI 為基礎的氣象公司沒有資料優勢，將處於顯著劣勢，強調獨特且持續的觀測資料流的策略價值。

ECMWF 的強項長期與卓越的資料同化有關 —— 即把各種感測器報告合併成一致且機器可讀的大氣表示，作為預報的初始條件。目前，許多 AI 氣象專案仍依賴 ECMWF 與 NOAA 等組織產出的初始條件資料集。相較之下，Windborne 的方法旨在透過將自有觀測資料餵入模型流程來降低對這些外部初始化的依賴，主管們表示即使移除 ECMWF 的輸入，WeatherMesh 仍可維持良好表現。

在運營與商業層面，Windborne 向像 NOAA 與美國軍方分支等政府單位供應氣球衍生資料，並向投資人與商品交易者等市場參與者販售預報。儘管有這些收入來源，公司領導表示他們的主要重心仍是改進模型架構與資料基礎設施，而非建立傳統的 SaaS 產品，並指出天氣情報未來的消費者介面仍不確定。

該公司也面臨運營挑戰：一次事件中，一架商用客機與 Windborne 的氣球相撞，造成飛機輕微損傷但無人受傷。該事件後，Windborne 在較大型的系統包上增加了 ADS-B 應答器，以經由航空監視系統廣播位置資訊，旨在降低碰撞風險並符合安全預期。

Windborne 已籌得風險投資，並據報在 2024 年估值為 8,500 萬美元。雖然公司的聲明值得注意，但更廣泛的預報社群仍然結合基於物理的模型、AI 方法與多來源資料同化以改善公開預報。AI 預報快速進展，並逐漸整合到主要政府機構的操作流程中。長期情勢將取決於創業公司、研究實驗室與公共機構如何分享資料、整合模型，並針對既有基準維持穩健且透明的評估。

關鍵見解表

後續...

展望未來，推進天氣預報最有希望的領域結合更豐富且更即時的觀測、改良的模型架構以及透明的評估框架。持續探索直接觀測資料攝取、即時感測網路（包括氣球、衛星與地面站）與結合物理與資料驅動建模的混合方法尤其重要。標準化資料格式與公開評估資料集的努力，將有助於社群客觀比較方法並加速進展。

此外，加強空中觀測平台的安全規範、擴大與公共氣象機構的合作，以及投資於運算效率高的模型設計，都是務實方向。對於持續的資料品質與可重複的基準（style="color: #555555;"）的細微重視，將在私人與公共行動者共同開發下一代預報系統時變得關鍵。