MIT 的 η-學習：不必見過災難，也能生成百年一遇的極端天氣情境

一座城市的海堤能否撐過超級風暴？區域電網能否挺過破紀錄的熱浪？一個小鎮的消防資源能否圍堵大規模野火？要回答這些問題，社會必須先能具體描繪這些事件會如何展開——野火會蔓延多遠、風暴會覆蓋多大範圍、熱浪會持續多久。問題在於，極端事件本質上就是離群值：罕見、零星，在歷史觀測紀錄中代表性極差。因此大多數風險評估方法只能從過去的災害外推未來的最壞情境，換句話說，它們被牢牢錨定在「已經發生過的事件」上。

MIT 的一組工程師如今打破了這個錨點。研究生張凱（Kai Chang）與 Themis Sapsis 教授在 2026 年 8 月 20 日發表於《Nature Communications》的論文中，提出了一套名為「極端事件感知學習」（Extreme Event Aware (η-) learning）的機器學習框架，能夠在訓練資料完全不含極端事件的前提下，生成統計上合理的空前極端情境。MIT News 已於 8 月 24 日報導這項成果，時機再恰當不過：隨著 AI 氣象模型日益普及，它們在罕見、前所未見事件上的共同弱點，已成為應用機器學習領域後果最嚴重的開放問題之一。

從災難中學習的根本缺陷

現代資料驅動風險模型有一個內建的盲點。作者在論文摘要中直指：現有方法「通常需要訓練資料或取樣過程中包含多個極端事件，導致模型在平穩區域預測準確，但在極端事件區域存在極高的認知不確定性」。白話來說：用數十年尋常天氣訓練出的模型，對尋常天氣得心應手，卻在最關鍵的時刻最不可靠。

以 MIT 團隊給出的具體例子來看：若紐約市有史以來最極端的降雨量紀錄是 200 毫米，那麼什麼樣的風暴會降下 300 毫米？這種事件在資料集中不存在，卻在物理上依然合理——而正在決定排水容量或海堤高度的都市規劃者，迫切需要知道這樣的風暴會襲擊何處、覆蓋多大面積、強度如何。

「卡崔娜颶風這樣的事件大約每 30 到 40 年發生一次，」Sapsis 解釋，「那麼每 100 年一次的『卡崔娜』會是什麼樣子？會有多嚴重？這正是我們想要量化的東西，藉此幫助規劃者為合理的極端情境做好準備。」

η-學習如何運作

這套方法的核心技巧是統計正則化（statistical regularization）。它不要求災害範例，而是從一個地區的日常天氣紀錄與地圖等資料集學習——這些紀錄可能極少、甚至完全不含極端偏離。模型結合兩類資訊：點統計量（描述某個可觀測量（如最大降雨量）達到特定水準的頻率之機率），以及空間地圖（事件的地理分布型態）。

在訓練過程中，模型被約束在輸入空間中沒有資料的區域，也必須與給定的可觀測統計量保持一致。基於最優傳輸（optimal transport）的理論結果為此提供了嚴格證明，並確立關鍵的最優性質。最終得到的模型既能忠實擬合觀測資料，又在統計上誠實對待分布尾部——因此能生成「極端但合理」的空前事件，而非「極端而荒謬」的幻覺。

論文中的示範極具說服力。研究團隊將此方法應用於生成美國本土的極端降雨地圖。他們從 25 年的逐小時降雨地圖（彙整為逐日地圖）出發，對完整紀錄計算點統計量，但只用了紀錄前六個月的低解析度與高解析度成對空間地圖來訓練演算法——這一小段資料幾乎不含最極端的降雨。演算法先學會粗解析度型態如何對應到精細的降雨分布，再利用點統計量約束極端值。如此一來，它就能生成比訓練資料中任何事件都更極端的合理空間型態：例如一場峰值達 300 毫米、百年一遇降雨事件的可能位置、規模與強度。

使用者接著可以用問題提示訓練好的模型，例如「紐約市百年一遇的風暴可能長什麼樣？」模型便會生成數千個統計上一致的實現——地圖上呈現風暴的規模、覆蓋範圍與降雨強度。「有人可以說：『我想讓建築物能承受百年一遇事件的風險』，」Chang 說，「我們能做的，就是產出數千個以這種罕見頻率發生的可能情境。」

為什麼重要：超越天氣

天氣是旗艦應用，但這套框架刻意保持通用。團隊指出，只要存在相關的點統計量與空間資料，它就能應用於機器人導航與金融市場——極端洪水與野火是理所當然的下一個目標。

金融的案例尤其引人遐想。「金融市場崩盤是極端事件，是許多不同部門之間複雜交互作用的結果，」Chang 觀察，「是什麼樣的交互作用導致市場崩盤？這正是這套方法可以探索的問題。」

Sapsis 則用戰略而非環境的語言來定調這項工作的利害關係。「極端事件已經成為戰略問題，而不只是環境問題——我們把全球系統優化到極致效率，而效率的代價是任何地方都沒有留下多少餘裕。單一極端事件會在數週內傳導至供應鏈、能源市場與糧食體系，」他說，「為一個尚未發生的事件賦予機率，如今已是國家與經濟韌性的問題。」

脈絡：AI 氣象模型的已知弱點

這項工作問世之際，AI 在預報中的角色正激辯中。物理基礎的數值模型在破紀錄天氣上歷來優於 AI 系統；芝加哥大學 2025 年底發表的研究更發現，儘管 AI 氣象模型用「數千年」的合成資料訓練，仍「無法外推到訓練期間從未見過的灰天鵝事件」。這項發現——神經網路恰恰在 η-學習所瞄準的空前事件上失效——正說明了 MIT 方法的結構性差異：它不寄望網路能優雅外推，而是把對尾部的統計誠實直接寫進訓練目標。

這項研究部分由 Vannevar Bush Faculty Fellowship 與美國空軍科學研究辦公室資助。論文為開放取用，Chang 也已在 GitHub 上釋出程式碼（儲存庫：eta），大幅降低了保險公司、都市規劃機構與基礎設施營運商試用這套方法的門檻。

展望

η-學習不會取代系集預報，其產出是情境產生器而非確定性預測——價值在於用統計上站得住腳的最壞情境對基礎設施做壓力測試，而不是預報某一天某場具體的風暴。但對於那些暴露程度由「尚未發生的事件」所定義的機構——海堤設計者、電網營運商、供應鏈規劃者、再保險公司——一套能可信地想像「前所未見」的方法，填補了真實的方法學缺口。當極端事件從環境新奇事轉變為經濟與國安層級的關注，可以預期對未知的統計正則化將成為韌性工具箱中的標配。