沒有颱風的七月！颱風為何銷聲匿跡？——《科學月刊》

• 作者／賴昭正｜前清大化學系教授、系主任、所長；合創科學月刊

我擔心人工智慧可能會完全取代人類。如果人們能設計電腦病毒，那麼就會有人設計出能夠自我改進和複製的人工智慧。 這將是一種超越人類的新生命形式。

——史蒂芬．霍金（Stephen Hawking）　英國理論物理學家

大約在八十年前，當第一台數位計算機出現時，一些電腦科學家便一直致力於讓機器具有像人類一樣的智慧；但七十年後，還是沒有機器能夠可靠地提供人類程度的語言或影像辨識功能。誰又想到「人工智慧」（Artificial Intelligent，簡稱 AI）的能力最近十年突然起飛，在許多（所有？）領域的測試中擊敗了人類，正在改變各個領域——包括假新聞的製造與散佈——的生態。

圖形處理單元（graphic process unit，簡稱 GPU）是這場「人工智慧」革命中的最大助手。它的興起使得九年前還是個小公司的 Nvidia（英偉達）股票從每股不到 $5，上升到今天（5 月 24 日）每股超過 $1000（註一）的全世界第三大公司，其創辦人（之一）兼首席執行官、出生於台南的黃仁勳（Jenson Huang）也一躍成為全世界排名 20 內的大富豪、台灣家喻戶曉的名人！可是多少人了解圖形處理單元是什麼嗎？到底是時勢造英雄，還是英雄造時勢？

在回答這問題之前，筆者得先聲明筆者不是學電腦的，因此在這裡所能談的只是與電腦設計細節無關的基本原理。筆者認為將原理轉成實用工具是專家的事，不是我們外行人需要了解的；但作為一位現在的知識分子或公民，了解基本原理則是必備的條件：例如了解「能量不滅定律」就可以不用仔細分析，即可判斷永動機是騙人的；又如現在可攜帶型冷氣機充斥市面上，它們不用往室外排廢熱氣，就可以提供屋內冷氣，讀者買嗎？

CPU 與 GPU

不管是大型電腦或個人電腦都需具有「中央處理單元」（central process unit，簡稱 CPU）。CPU 是電腦的「腦」，其電子電路負責處理所有軟體正確運作所需的所有任務，如算術、邏輯、控制、輸入和輸出操作等等。雖然早期的設計即可以讓一個指令同時做兩、三件不同的工作；但為了簡單化，我們在這裡所談的工作將只是執行算術和邏輯運算的工作（arithmetic and logic unit，簡稱 ALU），如將兩個數加在一起。在這一簡化的定義下，CPU 在任何一個時刻均只能執行一件工作而已。

在個人電腦剛出現只能用於一般事物的處理時，CPU 均能非常勝任地完成任務。但電腦圖形和動畫的出現帶來了第一批運算密集型工作負載後，CPU 開始顯示心有餘而力不足：例如電玩動畫需要應用程式處理數以萬計的像素（pixel），每個像素都有自己的顏色、光強度、和運動等, 使得 CPU 根本沒辦法在短時間內完成這些工作。於是出現了主機板上之「顯示插卡」來支援補助 CPU。

1999 年，英偉達將其一「具有集成變換、照明、三角形設定／裁剪、和透過應用程式從模型產生二維或三維影像的單晶片處理器」（註二）定位為「世界上第一款 GPU」，「GPU」這一名詞於焉誕生。不像 CPU，GPU 可以在同一個時刻執行許多算術和邏輯運算的工作，快速地完成圖形和動畫的變化。

依序計算和平行計算

一部電腦 CPU 如何計算 7×5+6/3 呢？因每一時刻只能做一件事，所以其步驟為：

• 計算 7×5；
• 計算 6/3；
• 將結果相加。

總共需要 3 個運算時間。但如果我們有兩個 CPU 呢？很多工作便可以同時（平行）進行：

• 同時計算 7×5 及 6/3；
• 將結果相加。

只需要 2 個運算時間,比單獨的 CPU 減少了一個。這看起來好像沒節省多少時間，但如果我們有 16 對 a×b 要相加呢？單獨的 CPU 需要 31 個運算的時間（16 個 × 的運算時間及 15 個 + 的運算時間），而有 16 個小 CPU 的 GPU 則只需要 5 個運算的時間（1 個 × 的運算時間及 4 個 + 的運算時間）！

現在就讓我們來看看為什麼稱 GPU 為「圖形」處理單元。圖一左圖《我愛科學》一書擺斜了，如何將它擺正成右圖呢？ 一句話：「將整個圖逆時針方向旋轉 θ 即可」。但因為左圖是由上百萬個像素點（座標 x, y）組成的，所以這句簡單的話可讓 CPU 忙得不亦樂乎了：每一點的座標都必須做如下的轉換

x’ = x cosθ + y sinθ

y’ = -x sinθ+ y cosθ

即每一點均需要做四個 × 及兩個 + 的運算！如果每一運算需要 10^-6 秒，那麼讓《我愛科學》一書做個簡單的角度旋轉，便需要 6 秒，這豈是電動玩具畫面變化所能接受的？

人類的許多發明都是基於需要的關係，因此電腦硬件設計家便開始思考：這些點轉換都是獨立的，為什麼我們不讓它們同時進行（平行運算，parallel processing）呢？於是專門用來處理「圖形」的處理單元出現了——就是我們現在所知的 GPU。如果一個 GPU 可以同時處理 10⁶ 運算，那上圖的轉換只需 10^-6 秒鐘！

GPU 的興起

GPU 可分成兩種：

• 整合式圖形「卡」（integrated graphics）是內建於 CPU 中的 GPU，所以不是插卡，它與 CPU 共享系統記憶體，沒有單獨的記憶體組來儲存圖形／視訊，主要用於大部分的個人電腦及筆記型電腦上；早期英特爾（Intel）因為不讓插卡 GPU 侵蝕主機的地盤，在這方面的研發佔領先的地位，約佔 68% 的市場。
• 獨立顯示卡（discrete graphics）有不與 CPU 共享的自己專用內存；由於與處理器晶片分離，它會消耗更多電量並產生大量熱量；然而，也正是因為有自己的記憶體來源和電源，它可以比整合式顯示卡提供更高的效能。

2007 年，英偉達發布了可以在獨立 GPU 上進行平行處理的軟體層後，科學家發現獨立 GPU 不但能夠快速處理圖形變化，在需要大量計算才能實現特定結果的任務上也非常有效，因此開啟了為計算密集型的實用題目編寫 GPU 程式的領域。如今獨立 GPU 的應用範圍已遠遠超出當初圖形處理，不但擴大到醫學影像和地震成像等之複雜圖像和影片編輯及視覺化，也應用於駕駛、導航、天氣預報、大資料庫分析、機器學習、人工智慧、加密貨幣挖礦、及分子動力學模擬（註三）等其它領域。獨立 GPU 已成為人工智慧生態系統中不可或缺的一部分，正在改變我們的生活方式及許多行業的遊戲規則。英特爾在這方面發展較遲，遠遠落在英偉達（80%）及超微半導體公司（Advance Micro Devices Inc.，19%，註四）之後，大約只有 1% 的市場。

事實上現在的中央處理單元也不再是真正的「單元」，而是如圖二可含有多個可以同時處理運算的核心（core）單元。GPU 犧牲大量快取和控制單元以獲得更多的處理核心，因此其核心功能不如 CPU 核心強大，但它們能同時高速執行大量相同的指令，在平行運算中發揮強大作用。現在電腦通常具有 2 到 64 個核心；GPU 則具有上千、甚至上萬的核心。

結論

我們一看到《我愛科學》這本書，不需要一點一點地從左上到右下慢慢掃描,即可瞬間知道它上面有書名、出版社等，也知道它擺斜了。這種「平行運作」的能力不僅限於視覺，它也延伸到其它感官和認知功能。例如筆者在清華大學授課時常犯的一個毛病是：嘴巴在講，腦筋思考已經不知往前跑了多少公里，常常為了追趕而越講越快，將不少學生拋到腦後！這不表示筆者聰明，因為研究人員發現我們的大腦具有同時處理和解釋大量感官輸入的能力。

人工智慧是一種讓電腦或機器能夠模擬人類智慧和解決問題能力的科技，因此必須如人腦一樣能同時並行地處理許多資料。學過矩陣（matrix）的讀者應該知道，如果用矩陣和向量（vector）表達，上面所談到之座標轉換將是非常簡潔的（註五）。而矩陣和向量計算正是機器學習（machine learning）演算法的基礎！也正是獨立圖形處理單元最強大的功能所在！因此我們可以了解為什麼 GPU 會成為人工智慧開發的基石：它們的架構就是充分利用並行處理，來快速執行多個操作，進行訓練電腦或機器以人腦之思考與學習的方式處理資料——稱為「深度學習」（deep learning）。

黃仁勳在 5 月 22 日的發布業績新聞上謂：「下一次工業革命已經開始了：企業界和各國正與英偉達合作，將價值數萬億美元的傳統資料中心轉變為加速運算及新型資料中心——人工智慧工廠——以生產新商品『人工智慧』。人工智慧將為每個產業帶來顯著的生產力提升，幫助企業降低成本和提高能源效率，同時擴大收入機會。」

附錄

人工智慧的實用例子：下面一段是微軟的「copilot」代書、谷歌的「translate」代譯之「one paragraph summary of GPU and AI」。讀完後，讀者是不是認為筆者該退休了？

GPU（圖形處理單元）和 AI（人工智慧）之間的協同作用徹底改變了高效能運算領域。GPU 具有平行處理能力，特別適合人工智慧和機器學習所需的複雜資料密集運算。這導致了影像和視訊處理等領域的重大進步，使自動駕駛和臉部辨識等技術變得更加高效和可靠。NVIDIA 開發的平行運算平台 CUDA 進一步提高了 GPU 的效率，使開發人員能夠透過將人工智慧問題分解為更小的、可管理的、可同時處理的任務來解決這些問題。這不僅加快了人工智慧研究的步伐，而且使其更具成本效益，因為 GPU 可以在很短的時間內執行與多個 CPU 相同的任務。隨著人工智慧的不斷發展，GPU 的角色可能會變得更加不可或缺，推動各產業的創新和新的可能性。大腦透過神經元網路實現這一目標，這些神經元網路可以獨立但有凝聚力地工作，使我們能夠執行複雜的任務，例如駕駛、導航、觀察交通信號、聽音樂並同時規劃我們的路線。此外，研究表明，與非人類動物相比，人類大腦具有更多平行通路，這表明我們的神經處理具有更高的複雜性。這個複雜的系統證明了我們認知功能的卓越適應性和效率。我們可以一邊和朋友聊天一邊走在街上，一邊聽音樂一邊做飯，或一邊聽講座一邊做筆記。人工智慧是模擬人類腦神經網路的科技，因此必須能同時並行地來處理許多資料。研究人員發現了人腦通訊網路具有一個在獼猴或小鼠中未觀察獨特特徵：透過多個並行路徑傳輸訊息,因此具有令人難以置信的多任務處理能力。

註解

（註一）當讀者看到此篇文章時，其股票已一股換十股，現在每一股約在 $100 左右。

（註二）組裝或升級過個人電腦的讀者或許還記得「英偉達精視 256」（GeForce 256）插卡吧?

（註三）筆者於 1984 年離開清華大學到 IBM 時，就是參加了被認為全世界使用電腦時間最多的量子化學家、IBM「院士（fellow）」Enrico Clementi 的團隊：因為當時英偉達還未有可以在 GPU 上進行平行處理的軟體層，我們只能自己寫軟體將 8 台中型電腦（非 IBM 品牌！）與一大型電腦連接來做平行運算，進行分子動力學模擬等的科學研究。如果晚生 30 年或許就不會那麼辛苦了?

（註四）補助個人電腦用的 GPU 品牌到 2000 年時只剩下兩大主導廠商：英偉達及 ATI（Array Technology Inc.）。後者是出生於香港之四位中國人於 1985 年在加拿大安大略省成立，2006 年被超微半導體公司收購，品牌於 2010 年被淘汰。超微半導體公司於 2014 年 10 月提升台南出生之蘇姿豐（Lisa Tzwu-Fang Su）博士為執行長後，股票從每股 $4 左右，上升到今天每股超過 $160，其市值已經是英特爾的兩倍，完全擺脫了在後者陰影下求生存的小眾玩家角色，正在挑戰英偉達的 GPU 市場。順便一題：超微半導體公司現任總裁（兼 AI 策略負責人）為出生於台北的彭明博（Victor Peng）；與黃仁勳及蘇姿豐一樣，也是小時候就隨父母親移居到美國。

（註五）或。

延伸閱讀

• 「熱力學與能源利用」，《科學月刊》，1982 年 3 月號；收集於《我愛科學》（華騰文化有限公司，2017 年 12 月出版），轉載於「嘉義市政府全球資訊網」。
• 「網路安全技術與比特幣」，《科學月刊》，2020 年 11 月號；轉載於「善科教育基金會」的《科技大補帖》專欄。

• 文 胡潔曦｜黑潮海洋文教基金會 鯨豚保育研究員
• 本文轉載自黑潮海洋文化基金會《海洋盛宴——抹香鯨落》，歡迎喜歡這篇文章的朋友訂閱支持黑潮喔！

編按：本文主要內容與圖片摘錄、翻譯自文獻Three-year investigations into sperm whale-fall ecosystems in Japan，期望在頻繁目擊抹香鯨的 7 月，跟大家分享抹香鯨落的研究。

生存在深海中並非容易的事，由於深海裡缺乏陽光與有機物質，許多生物是藉著海水表層落入深海的有機物質維生。當鯨豚死亡後沉入海底，這段過程、遺體以及過程中所形成的生態系均可被稱為「鯨落」。鯨落可以說是生命的延續之源，而這些殞落至海底的鯨豚有如「金山銀山」，不僅能提供大量的有機物，同時也將許多硫化物帶入海底，造福許多海洋生命，因此也有一句話說：「鯨落，萬物生」。這篇文章透過閱讀國外文獻與整理，希望跟大家分享抹香鯨死亡之後的貢獻！

故事的開始——集體擱淺在日本的抹香鯨

在 2002 年 1 月，日本的西南海岸發生了一起集體擱淺，共發現了 14 隻抹香鯨，而其中 12 隻抹香鯨被綁上水泥塊後，被當地政府沉入了 Nomamisaki 岬角周邊深度大約兩、三百公尺的海裡，形成了多座人工鯨落。當時有許多學者對於抹香鯨落感到好奇，究竟牠們會吸引來哪些生物？而抹香鯨龐大的遺體會需要花費多長時間分解呢？透過這項研究，或許能讓人們對大型齒鯨落的分解過程更加瞭解。

事實上，在 2002 年以前，多數的鯨落研究出自於美國的加利福尼亞州外海，並以鬚鯨為主要研究對象，而這些鯨落的深度幾乎都落在一、兩千公尺深，比起這次抹香鯨落群的深度深了非常多。而這次大量出現在日本西南海域的多座人工鯨落有著種種獨特性，包含了：深度淺、是大型齒鯨的鯨落等等，也讓學者們充滿好奇心。

究竟要如何長期觀察抹香鯨落呢？

閱讀至此，不知道讀者們是否有一項疑問？在兩三百公尺深的海裡，既缺乏可見光，同時也承受著數十倍的大氣壓，在這樣的條件下到底要如何觀察抹香鯨落呢？「ROV——水下探測載具」即是這個研究的一大助手，能夠幫助科學家們突破這些困難，不僅能在深海中蒐集珍貴的影像，也可以完成採集的工作。而在團隊耗費了 3 年運用水下載具追蹤其中的五隻抹香鯨後，他們也有了些有趣的收穫，透過圖四可以看到這段時間抹香鯨的外觀變化。

經過數年的追蹤後，研究團隊發現，抹香鯨落歷經分解的速度堪稱飛快！根據 2003 年的鯨落研究，學者將鯨豚分解的過程定義為下述四個階段（Smith and Baco 2003），而第一個階段到最後階段可能會歷時數年甚至到數十年，當鯨豚的遺體越大，可能耗時越長：

1. 移動清道夫階段（Mobile-scavenger）：生物會快速消耗掉鯨豚體表上的肉與脂肪。
2. 機會主義者階段（Enrichment opportunist）：生物開始進駐鯨豚裸露的骨頭及周邊富含營養的底層泥沙上。
3. 化能自養階段（Sulphophilic）：骨骼釋放硫化物，供養海洋中依靠硫化物維生的生物。
4. 骨礁階段（Reef）：在所有有機物質被消耗之後，即會進入骨礁的階段。

註解：上述中文名詞翻譯參考自國家地理頻道及國立海洋科技博物館 鯨落展區。

鯨落最快被消耗掉的部分是身上的肉跟脂肪，而這份文獻研究的 5 座抹香鯨落，肉跟脂肪在經過 1 年之後已幾乎被消耗殆盡；經過 1.5 年之後，抹香鯨落已進入化能自養階段，骨骼開始釋放硫化物質；有些大型鯨落從化能自養階段轉為骨礁期要歷經數十年，根據這項研究發現，部分抹香鯨落竟在 3 年後就能夠進入骨礁期，身上所有的有機質都被消耗殆盡，而這樣的進度相較於過去鬚鯨落的研究是非常快的！研究人員初步推測，可能是因為此處的平均水溫相較其他鯨落研究的海域高，生物分解的速度比較快。

抹香鯨落上意想不到的生物多樣性

這次的研究共有發現超過百種生物聚集在抹香鯨落周邊，包含軟體動物門、多毛綱與甲殼綱的生物等，在 1.5 年後，貽貝是抹香鯨骨骼上最為豐富的生物類群（圖五）。而抹香鯨落整體的生物多樣性在到達 3.5 年時來到高峰，紀錄中共有八十多種生物出現。

除了確認抹香鯨的腐化速度之外，研究人員也會在探測載具每次下海時採集底部的泥沙，經分析發現，抹香鯨身體下方泥沙中的硫化物濃度，隨著鯨落分解的時間越久，濃度也會逐漸提高，並吸引來大量仰賴硫化物生存的生物。為了進一步確認周遭環境的生物是否與抹香鯨身上的有差異，研究人員也將抹香鯨 10 米以內與外的生物做了比較，發現鯨落 10 米以外的物種與鯨落上的生物完全沒有重疊，也證明了鯨落的出現確實吸引來許多的生物。

鯨落，萬物生

鯨落的各個分解階段吸引了許多生物造訪，肉與脂肪等在幾個月內快速地被消耗掉，有機碎屑也能讓周邊海底的富含養分，而抹香鯨骨能釋放硫化物數年，部分大型鯨甚至可能長達數十年。「鯨落，萬物生」，在鯨豚生命的最後一章，牠們的身體緩緩沉入海底，成為了大量生物的食物來源。至 2022 年為止，目前世界已知鯨落共有約 160 座，也希望隨科技進步，人們能更深入認識鯨落為環境帶來的影響。

影片分享：美國於2019年在NOAA保護區發現的深海鯨落。

參考資料

1. Fujiwara, Y., Kawato, M., Yamamoto, T., Yamanaka, T., Sato-Okoshi, W., Noda, C., Tsuchida, S., Komai, T., Cubelio, S.S., Sasaki, T., Jacobsen, K., Kubokawa, K., Fujikura, K., Maruyama, T., Furushima, Y., Okoshi, K., Miyake, H., Miyazaki, M., Nogi, Y., Yatabe, A. and Okutani, T. (2007), Three-year investigations into sperm whale-fall ecosystems in Japan. Marine Ecology, 28: 219-232.
   https://doi.org/10.1111/j.1439-0485.2007.00150.x
2. Li Q, Liu Y, Li G, Wang Z, Zheng Z, Sun Y, Lei N, Li Q and Zhang W (2022) Review of the Impact of Whale Fall on Biodiversity in Deep-Sea Ecosystems. Front. Ecol. Evol. 10:885572. doi: 10.3389/fevo.2022.885572
3. https://oceanservice.noaa.gov/facts/whale-fall.html
4. https://natgeomedia.com/environment/article/content-6001.html
5. https://www.soest.hawaii.edu/oceanography/faculty/csmith/Files/Smith%20and%20Baco%202003.pdf
6. http://hi.people.com.cn/BIG5/n2/2020/0409/c228872-33936490.html

小心啊，打雷囉，下雨收衣服啊！

氣象報告說好是晴天的，怎麼一踏出門就開始下雨了？

昨天都說要直撲的颱風，怎麼又彎出去了？

多麼希望天氣預報能做到百分之百正確，只要出門前問一下手機，就能確定今天是出大太陽還是午後雷陣雨，是幾點幾分在哪裡？又或是最重要的，颱風到底會不會來？

但你知道，現在的氣象預報，已經動用全球最強的超級電腦們了嗎？既然如此，我們現在的氣象預報能力到底有多準？我們什麼時候能徹底掌握這顆蔚藍星球上發生的所有天氣現象？

天氣預報有多困難？

雖然我們常常嫌說氣象預報不準、颱風路徑不準、預測失靈等等。但我們現在的實力如何呢？

目前美國國家海洋暨大氣總署的數據分析，對西太平洋颱風的 24 小時預測，誤差平均值約 50 英哩，也就是一天內的路徑誤差，大約是 80 公里。其他國家的氣象局，24 小時的誤差也約在 50 到 120 公里之間。台灣呢？根據中央氣象局到 2010 年的統計，誤差大約在 100 公里內。也就是臺灣對颱風的預測，沒有落後其他先進單位。

現在只要打開手機隨便開個 APP，就能問到今天的天氣概況，甚至是小區域或是短時間區間內的天氣預報。但在過去沒有電腦的時代，要預測天氣根本可以不可能（諸葛孔明：哪泥？）。

近代且稱得上科學的天氣預測可追溯回 1854 年，那個只能靠人工觀測的年代，英國氣象學家為了保護漁民出海的安危，利用電報傳遞來蒐集各地居民的觀察，並進行風暴預報。後來演變成天氣預報後，卻因為有時預報不準，預報員承受了輿論與國會批判的巨大壓力，最後甚至鬱鬱離世。

在電腦還在用打洞卡進行運算的年代，一台電腦比一個房間還大。氣象局要預測天氣，甚至判斷颱風動向，得要依賴專家對天氣系統、氣候型態的認知。因此在模擬預測非主流的年代，我們可以看到氣象局在進行預測時，會拿著一個圓盤，依據量測到的大氣壓力、風速等氣象值，進行專家分析。

當時全球的氣象系統，則是透過全球約一千個氣象站，共同在 UTC 時間（舊稱格林威治時間）的零零時施放高空探測氣球，透過聯合國的「World Weather Watch」計畫來共享天氣資料，用以分析。關於氣象氣球，我們之前也介紹過，歡迎看看這集喔。

也就是說，以前的颱風預測就是專家依靠自身的學理與經驗，來預測颱風的動向，但是，大氣系統極其複雜，先不說大氣系統受到擾動就會有所變化，行星風系、科氏力、地形、氣壓系統這些系統間互相影響，都會造成預測上的失準，更遑論模擬整個大氣系統需要的電腦資源，是非常巨大的。

那麼，有了現代電腦科技加持的我們，又距離全知還有多遠呢？是不是只要有夠強的超級電腦，我們就能無所不知呢？

有了電腦科技加持，我們的預報更準了嗎？

當然，有更強的電腦，我們就能算得更快。才不會出現花了三天計算，卻只能算出一個小時後天氣預報的窘況。但除了更強悍的超級電腦，也要更先進的預測模型與方法。現在的氣候氣象模擬，會先給一個初始值，像是溫度、壓力、初始風場等等，接著就讓這個數學模型開始跑。

接著我們會得到一個答案，這還不是我們真正要的解，而是一種逼近真實的解，我們還必須告訴模型，我容許的誤差值是多少。什麼意思呢？因為複雜模型算出來的數值不會是整數，而是拖著一堆小數點的複雜數字。我們則要選擇取用數值小數點後 8 位還是後 12 位等等，端看我們的電腦能處理到多少位，以及我們想算多快。時間久了，誤差的累積也越多，預測就有可能失準。沒錯，這就是著名的蝴蝶效應，美國數學暨氣象學家 Edward Norton Lorenz 過去的演講題目「蝴蝶在巴西揮動了翅膀，會不會在德州造成了龍捲風？」就是在講這件事。

回到颱風預報，大家有沒有發現，我們看到的颱風路徑圖，颱風的圈怎麼一定會越變越大，難道颱風就像戶愚呂一樣會從 30% 變成 100% 力量狀態嗎？

其實那不是颱風的暴風圈大小，而是颱風的路徑預測範圍，也就是常聽到的颱風路徑潛勢圖，​是未來 1 至 3 天的颱風可能位置，颱風中心可能走的區域​顯示為潛勢圖中的紅圈，機率為 70%，所以圈圈越大，代表不確定性越大。​

1990 年後，中央氣象局開始使用高速電腦，並且使用美國國家大氣研究中心 (NCAR) 為首開發的 Weather Research and Forecasting 模型做數值運算，利用系集式方法，藉由不同的物理模式或參數改變，模擬出如同「蝴蝶效應」的結果，運算出多種颱風的可能行進路線。預測時間拉長後，誤差累積也更多，行進路徑的可能性當然也會越廣。

「真鍋模型」用物理建模模擬更真實的地球氣候！

大氣模擬不是只要有電腦就能做，其背後的物理複雜度，也是一大考驗。因此，發展與地球物理相關的研究變得非常重要。

2021 年的諾貝爾物理學獎，就是頒給發展氣候模型的真鍋淑郎。他所開發的地表模式，在這六十年間，從一個沒考慮地表植物的簡單模型，經各家發展，變成現在更為複雜、更為真實的模型。其中的參數涵蓋過去沒有的植物反應、地下水流動、氮碳化合反應等等，增強了氣候氣象模型的真實性。

當然，越複雜的模型、越短的時間區間、越高的空間精細度，需要更強大的超級電腦，還有更精準的觀測數據，才能預測接下來半日至五日的氣象情況。

世界上前百大的超級電腦，都已被用來做大氣科學模擬。各大氣象中心通常也配有自己的超級電腦，才能做出每日預測。那麼，除了等待更加強大的超級電腦問世，我們還有什麼辦法可以提升預報的準度呢？

天氣預報到底要怎樣才能做得準？

有了電腦，人類可以紀錄一切得到的數據；有了衛星，人類則可以觀察整個地球，對地球科學領域的人來說，可以拿這些現實資訊來校正模擬或預測時的誤差，利用數學方法將觀測到的單點資料，乃至衛星資料，融合至一整個數值模型之中，將各種資料加以比對，進一步提升精準度，這種方法叫做「資料同化 (Data Assimilation)」。例如日本曾使用當時日本最強的超級電腦「京」，做過空間解析度 100 公尺的水平距離「局部」超高解析氣象預測，除了用上最強的電腦，也利用了衛星資料做資料同化。除了日本以外，歐洲中程氣象預測中心 (ECMWF)，或是美國大氣暨海洋研究中心 (NOAA)，也都早在使用這些技術。

臺灣這幾年升空的福衛系列衛星，和將要升空的獵風者等氣象衛星，也將在未來幫助氣象學家取得更精準的資料，藉由「資料同化」來協助模擬，達到更精準的預測分析。

如果想要進一步提升預報準度呢？不用擔心，我們還有好幾個招式。

人海戰術！用更多的天氣模型來統計出機率的「概率性模擬」

首先，如果覺得一個模型不夠準，那就來 100 個吧！這是什麼意思？當我們只用一種物理模型來做預測時，我們總是會追求「準」，這種「準確」模型做的模擬預測，稱為「決定性模擬」，需要的是精確的參數、公式，與數值方法。就跟遇上完美的夢中情人共度完美的約會一樣，雖然值得追求，但你可能會先變成控制狂，而且失敗機率極高。

不如換個角度，改做「概率性模擬」，利用系集模擬，模擬出一大堆可能的交往對象，啊不對，是天氣模型，再根據一定數量的模擬結果，我們就可以統計出一個概率，來分析颱風路徑或是降雨機率，讓成功配對成功預測的機率更高。

製造一個虛擬地球模擬氣象？

再來，在物理層面上，目前各國正摩拳擦掌準備進行等同「數位攣生 (Digital Twin) 」的高階模擬，簡單來說，就是造出一個數位虛擬地球，來進行 1 公里水平長度網格的全球「超高」解析度模擬計算。等等，前面不是說日本可以算到 100 公尺的水平距離，為什麼 1 公里叫做超高解析度？

因為 500 公尺到 1 公里的網格大小也是地表模式的物理適用最小單位，在這樣的解析度下，科學家相信，可以減少數值模型中被簡化的地方，產生更真實的模擬結果。

電腦要怎麼負荷這麼大的計算量？交給電腦科學家！

當然，這樣的計算非常挑戰，除了需要大量的電腦資源，還需要有穩定的超級電腦，以及幾個 Petabyte，也就是 10 的 15 次方個位元組的儲存設備來存放產出的資料。

不用為了天氣捐贈你的 D 槽，就交給電腦科學家接棒上場吧。從 CPU、GPU 間的通訊、使用 GPU 來做計算加速或是作為主要運算元件、到改寫符合新架構的軟體程式、以及資料壓縮與讀寫 (I/O)。同時還要加上「資料同化」時所需的衛星或是全球量測資料。明明是做氣象預報，卻需要等同發展 AI 的電腦科技做輔助，任務十分龐大。對這部分有興趣的朋友可以參考我們之前的這一集喔！

結語

這一切的挑戰，是為了追求更精確的計算結果，也是為了推估大魔王：氣候變遷所造成的影響必須獲得的實力。想要計算幾年，甚至百年後的氣候狀態，氣象與氣候學家就非得克服上面所提到的問題才行。

一百年來，氣候氣象預測已從專家推估，變成了利用龐大電腦系統，耗費百萬瓦的能量來進行運算。所有更強大、更精準的氣象運算，都是為了減少人類的經濟與生命損失。

對於伴隨氣候變遷到來的極端天氣，人類對於這些變化的認知還是有所不足。2021 年的德國洪水，帶走了數十條人命，但是身為歐洲氣象中心的 ECMWF，當時也只能用叢集式系統算出 1% 的豪大雨概率，甚至這個模擬出的豪大雨也並沒有達到實際量測值。

我們期待我們對氣候了解和應對的速度，能追上氣候變遷的腳步，也由衷希望，有更多人才投入地球科學領域，幫助大家更了解我們所處的這顆藍色星球。

歡迎訂閱 Pansci Youtube 頻道 獲取更多深入淺出的科學知識！