MIT 的 η-learning 演算法：憑空生成史上從未發生過的極端天氣情境

一座城市的海堤能撐得住超級風暴嗎？區域電網在破紀錄高溫下還能運轉嗎？一個小鎮的消防能量，足以控制一場比歷史紀錄都大的野火嗎？要回答這些問題，社區必須先能「看見」這些事件會如何展開——而這恰恰是最難的一步，因為「史無前例」的事件，定義上就沒有前例可以學習。

2026 年 8 月 24 日，MIT News 詳細報導了一個打破這種循環依賴的機器學習方法。機械工程研究生 Kai Chang 與 Themis Sapsis 教授開發了一款名為 Extreme Event Aware learning（又稱 η-learning）的演算法，能夠產出從未出現在任何區域歷史紀錄中、但統計上仍然合理的極端事件地圖。背後的論文已於 2026 年 8 月 20 日以開放取用形式發表於《Nature Communications》。

從災害中學習的根本限制

今天幾乎所有風險模型——保險公司、都市規劃者、電網營運商依賴的那一種——都是從歷史倒推。要估計「百年一遇的風暴對紐約市長什麼樣子」，模擬系統必須先用「已包含百年一遇事件」的資料集訓練，模型才能學會產生這些事件的條件，再外推到未來。

Chang 認為這對模型能展示的東西設下了天花板。「這些方法假設資料集裡已經有我們見過的非常災難性的事件，然後建立一個方法去估計這些事件的風險，或是試圖精確預測已經發生過的事件，」他說。「我們想看的是：比過去發生過的一切都更危險、卻仍然合理的史無前例極端事件，長什麼樣子？」

Sapsis 用一個具體例子說明這個限制：「像卡崔娜颶風這樣的事件，大約每 30 到 40 年發生一次。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，幫助規劃者為合理的極端情境做好準備。」

這個盲區的風險正在上升。隨著氣候暖化，歷史紀錄日益「低估」尾部風險：過去對未來的指引越來越弱，而規劃者卻比以往任何時候都更需要前瞻性的估計。

兩種資料，一座統計橋樑

這個演算法的訣竅，是把同一份資料的兩種表徵之間的統計關係學起來：

• 點統計（point statistics）——某個強度等級（例如一張降雨圖上的最大降雨量）在完整紀錄中出現的頻率。
• 空間地圖（spatial maps）——一個事件的衝擊如何在區域內變化，以高解析度呈現。

學會兩者之間的關係後，演算法就能為「超出訓練資料範圍」的事件建構空間模式，同時用點統計作為約束條件，過濾掉物理上不合理的情境。

這項展示的資料效率令人印象深刻。研究團隊把 η-learning 應用在美國本土的降水上，從 25 年的小時降雨資料開始，彙整成每日地圖。他們從完整紀錄計算點統計，描述圖上最大降雨量達到各等級的頻率。但模型的空間部分，只用了這 25 年紀錄中最前面六個月的配對低解析度與高解析度地圖來訓練——而這個窗口幾乎不含最強降雨等級的樣本。

從這個刻意「貧乏」的訓練集裡，演算法學會了粗略模式如何對應到細緻的降水細節，再用完整紀錄的統計量，約束它生成的風暴可以合理地極端到什麼程度。

對演算法下指令：給我一場百年一遇的風暴

訓練完成後，這個工具就像一台帶有「重現期轉盤」的情境產生器。使用者實際上可以問：「百年一遇的風暴在紐約市可能長什麼樣子？」演算法就會生成具有該發生頻率、統計上合理的風暴地圖，每張都附帶可能的大小、覆蓋面積與降雨強度，以及持續時間的獨立估計。

最核心的例子：紐約市有史以來記錄到的最高降雨量約為 200 毫米。η-learning 可以生成合理產生 300 毫米 降雨的風暴地圖——這個水量在觀測紀錄中完全沒有對應，卻與該區域的統計尾部一致。而且它給的不是單一標準答案。「有人可以說：『我想把東西建造成能承受每 100 年發生一次的事件的風險，』」Chang 說。「那我們就能產出數千個以這種罕見頻率發生的可能實現。」

這數千個實現，正是壓力測試需要的東西。一座城市可以把這套地圖集拿來測試海堤設計能否抵禦超出紀錄的風暴潮；電網營運商可以檢查網路能否撐過比歷史更長、更熱的熱浪；消防單位可以探討在比檔案紀錄都大的野火面前，控制資源是否夠用。

不只是天氣地圖

這個方法並非天氣專用。只要存在相關的點統計與空間（或類比結構）資料，同一套框架就能指向其他罕見事件領域。團隊指出極端洪水與野火是自然的延伸，也提到地球科學之外的領域：惡劣條件下的機器人導航，以及金融市場。

「金融市場崩盤是極端事件，是許多不同部門之間的複雜組合，」Chang 說。「是什麼樣的交互作用導致市場崩盤？這是這個方法可以探索的問題。」

Sapsis 則把這項工作放進地緣經濟的框架裡：「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，就是任何地方都沒有留下多少餘裕。單一極端事件會在幾週內傳導到供應鏈、能源市場與糧食系統。能夠為一個還沒發生的事件標上機率，如今已是國家與經濟韌性的問題。」

誠實的限制

目前的展示範圍是美國本土的降水；要把方法應用到新的災害，需要該災害專屬的點統計與空間資料——它不是一台即插即用的通用風險引擎。生成出的情境在建構上就是「統計上」合理；要驗證它們在「物理上」忠實，理想上需要與物理模擬比對，而物理混合機器學習的方法仍是活躍的研究領域。而且跟任何生成式統計模型一樣，尾部品質取決於餵進點統計的紀錄品質。

儘管如此，這個核心反轉意義重大：與其等待一場災難進入訓練資料，η-learning 直接在事前、以數位方式「製造」這場災難，並附上機率。對於設計壽命長達百年的基礎設施而言，這就是「為過去做準備」與「為尚未發生的事做準備」之間的差別。

這項研究部分由 Vannevar Bush Faculty Fellowship 與美國空軍科學研究辦公室（AFOSR）資助。論文《Extreme Event Aware (η-) Learning》以開放取用形式發表於《Nature Communications》，預印本也可在 arXiv（2510.19161）上取得。