天氣App真的很爛嗎？一位物理學家的誠實告白

Dark Sky創辦人揭開天氣預報的黑盒子：衛星、氣象氣球、AI模型如何協作？為何預報越來越準，我們卻越來越不滿意？關於不確定性與信任的深層思考。

婚禮當天，新娘看了天氣App，決定不帶傘。然後下雨了。

這個場景在全球每天上演無數次。我們反覆刷新天氣App，同時又在社群媒體上抱怨它有多不準。我們付費訂閱進階版，卻在它出錯時怒給一星評價。第二天，我們還是繼續用它。

這種矛盾關係，揭示的不只是技術問題，而是人類在面對不確定性時的心理困境。

一場大雨，催生了一個App

2010年夏天，物理學家亞當·格羅斯曼（Adam Grossman）和女友開車前往克里夫蘭度假，途中遭遇傾盆大雨。他打開手機上的天氣App，只看到「降雨機率70%」。

「這根本沒用，」他回憶道，「外面已經在下傾盆大雨了，App告訴我的是一個百分比。我真正需要知道的是：再過幾分鐘雨會停？」

這個問題驅使他開始研究雷達數據，嘗試用機器學習和電腦視覺技術預測未來一小時內的降雨走勢。2012年，他和夥伴推出了Dark Sky——一款只做一件事的天氣App：告訴你未來60分鐘的降雨狀況，精確到分鐘。

這款App迅速成為全球氣象App中的「邪教經典」。2020年，就在疫情爆發之際，Apple將其收購，格羅斯曼加入Apple，主導開發了WeatherKit——也就是現在支撐Apple天氣App的底層氣象服務。幾年後，他離開Apple，創立了新服務Acme Weather，帶著一個全新的核心理念重返戰場。

一個天氣預報的誕生：你看不見的巨大管線

我們每天滑開手機看到的那個溫度數字，背後是一條複雜的資料管線。

第一步是資料蒐集。氣象衛星、每天由各國氣象機構施放的數百顆探空氣球（提供大氣不同高度的溫度、濕度、氣壓數據）、地面觀測站、海洋浮標——這些感測器構成了全球氣象觀測網絡。在台灣，中央氣象署；在中國大陸，中國氣象局；在美國，NOAA——這些政府機構承擔著資料蒐集的核心職責。

第二步是數值天氣預報模型。這些模型本質上是大氣的物理模擬程式，在超級電腦上運行，根據當前大氣初始狀態，計算出未來的天氣變化。美國的GFS（全球預報系統）、歐洲的ECMWF模型，都是業界重要的參考依據。

第三步，才是民間天氣App公司接手：將這些模型輸出的原始數據，加工成使用者看得懂的介面。

廣告合作

[email protected]

格羅斯曼坦言，這個過程充滿「踩坑」經歷：「有地面觀測站會突然回報78度或負100度的異常數值，我們曾因為直接信任這些數據，讓預報整個偏差一百度。大數據問題，90%的工作是清理和整理數據。」

為什麼感覺越來越爛，其實越來越準？

格羅斯曼提出了一個反直覺的觀點：「天氣預報的準確率一直在提升，但大家的感受可能恰恰相反。」

原因在於使用行為的改變。過去，人們早上看報紙、晚上看電視新聞，一天確認兩次天氣就夠了。現在，我們一天刷App數十次。刷的次數越多，遇到「預報不準」的絕對次數自然也越多——即使準確率本身在上升。

更深層的是認知偏誤：預報準確時，我們視為理所當然；預報出錯時，才會憤怒且刻骨銘心。根據ForecastAdvisor的數據，Dark Sky對特定地區最高氣溫的準確預測率僅有39%。這個數字聽起來很糟，但考慮到大氣本質上是一個混沌系統，要在數天前精確預測一個特定地點的溫度，本身就是在挑戰物理極限。

AI能拯救天氣預報嗎？

氣象領域的AI應用，不是你想像中的那種「把數據丟給ChatGPT」。格羅斯曼強調：「這是針對氣象設計的專用機器學習模型。」

AI帶來的最大突破是計算效率。傳統物理模擬的運算成本極高，像GFS這樣的主要模型每天只能更新4次。AI模型能以「極小的成本」完成同等預測，理論上可以做到每小時更新。對於快速發展的颱風、強對流天氣，更頻繁的更新意味著更及時的預警。

此外，AI結合高解析度地形數據，能更精準捕捉「微氣候」差異——台北盆地和陽明山之間的溫差、香港市區和大嶼山的降雨差異，都可能被更細緻地呈現。

然而，AI有一個根本限制：輸入數據的品質決定輸出結果的上限。格羅斯曼對美國政府削減氣象數據蒐集預算表示憂慮：「如果衛星更新計畫被砍，觀測網絡萎縮，AI模型再強也無用武之地。」

這個擔憂對亞太地區同樣有意義。台灣、日本、菲律賓是全球颱風最頻繁的地區之一，氣象觀測基礎設施的投資，直接關係到防災預警的效能。而中國大陸近年大力投資氣象衛星（風雲系列）和超算能力，在氣象數據主權上走向自主的路徑，與美國主導的全球氣象數據共享體系之間的張力，值得持續關注。

「誠實地說不確定」，是一種新的信任建立方式

Acme Weather的核心理念，是格羅斯曼從多年用戶投訴中提煉出來的：與其假裝確定，不如誠實傳達不確定性。

他最欣賞的天氣預報形式，是電視氣象主播的播報方式：「歐洲模式顯示低壓系統可能北移，如果成真，週末可能是雨而非雪。」這種表達方式傳遞了預測的幅度與前提，讓觀眾能做出更有彈性的準備。

相比之下，大多數天氣App只給你一個「最佳猜測」，沒有任何不確定性的提示。當這個猜測出錯，用戶的憤怒是可預期的。

Acme的「社群回報」功能讓用戶能即時標記當地實際天氣，形成一種集體校正機制——這讓人聯想到台灣的地震速報社群、或香港市民自發的天文台補充報告文化。在資訊不對稱的領域，群眾的感知有時能填補官方數據的空白。