MIT 的 η-Learning：從未見過極端事件，也能生成極端事件場景

一座城市的海堤能撐得住百年一遇的超級風暴嗎？區域電網能在破紀錄的熱浪中維持運轉嗎？一個小鎮的消防資源足以控制大規模野火嗎？要回答這些問題，首先必須知道這些極端事件會如何展開——野火可能蔓延多遠、風暴會覆蓋多大範圍、熱浪會持續幾天。但極端事件本質上就是離群值：罕見、零星，在歷史紀錄中嚴重不足。因此，大多數風險評估方法都面臨一個根本的雞生蛋問題——想預測前所未有的災難，卻必須先拿已經發生過的災難來訓練。

MIT 的一組工程師如今打破了這個循環。在 8 月 20 日刊於《Nature Communications》的開放取用論文中，機械工程研究所學生 Kai Chang 與 Themis Sapsis 教授提出了一種機器學習方法，能夠生成逼真的極端事件與最壞情境地圖，而且完全不需要用任何極端事件來訓練。MIT News 於 8 月 24 日公開報導此成果，隨後在 AI 與氣候社群間廣泛流傳。

從災難中學習的根本困境

當規劃者、政策制定者與保險公司問「紐約市百年一遇的暴雨長什麼樣子？」時，傳統模擬工具的做法是回頭看歷史：從資料中挖掘罕見的災難事件，學習促成這些事件的條件，再據此外推。這種做法有兩個麻煩。第一，最極端的事件天生稀少——一份 25 年的氣象紀錄裡，真正前所未有的事件可能寥寥無幾。第二，也是更根本的：未來的最壞情境，定義上就比訓練資料裡的任何東西都更極端。

「這些方法假設資料集裡存在非常災難性的事件，然後建立方法去估計這些事件的風險，或者試圖精確預測已經發生過的事件，」Chang 解釋。「我們想問的是：那些比歷史上一切都更危險、卻仍然合理的空前極端事件，到底長什麼樣子？」

如果紐約市史上最高的單日降雨紀錄是 200 毫米，那麼對基礎設施規劃真正重要的問題是：什麼樣的風暴可能降下 300 毫米——一個從未被記錄過、但物理上仍然可能的事件。城市工程師需要知道這樣的風暴會在哪裡登陸、會淹多大範圍、核心降雨強度有多猛烈。

η-learning 如何運作

研究團隊將這套方法命名為 Extreme Event Aware learning，簡稱 η-learning（η 是希臘字母 eta）。它採取統計取向，完全繞過對歷史極值的需求，改為學習兩種日常資料之間的關係：

1. 點統計量（point statistics）——描述某個可測量量（例如全區域最大降雨量）達到給定強度的頻率之機率分布。即使訓練窗口內幾乎沒有極端樣本，這些統計量仍能刻畫分布的尾部行為。
2. 成對空間地圖——對應的低解析度與高解析度地圖（例如粗解析與細解析的降雨分布圖），用來教演算法理解大範圍的粗略型態如何對應到細緻的局部結構。

兩者融合之後，演算法學會生成與極值統計特性一致的高解析度空間型態——即使它從未見過具體的極端範例。點統計量扮演約束條件的角色，過濾掉不合理的情境，同時允許生成器探索歷史紀錄之外的空間。

為了驗證，研究人員將方法應用於美國本土的極端降雨。他們從 25 年的小時級降雨地圖出發，彙整成逐日地圖，並計算描述每日最大降雨達到各強度頻率的點統計量。關鍵在於：他們接著只拿紀錄前六個月的低高解析度成對地圖來訓練演算法——這個窗口裡幾乎不含最極端的降雨事件。

儘管訓練集如此貧乏，η-learning 仍成功生成了統計上合理的空間型態，而且事件強度超越訓練資料中的任何例子：例如一場峰值 300 毫米、百年一遇的降雨事件，其可能的位置、規模與強度分布。使用者只需向訓練好的模型提問：「紐約市百年一遇的風暴可能長什麼樣？」就能得到數千個統計上一致的實現——每一張都是完整地圖，呈現風暴的覆蓋範圍、影響面積與降雨強度梯度。

為什麼重要：遠不止天氣

「你可以說：『我想設計能承受百年一遇事件的工程，』」Chang 說。「我們能做到的，就是產生成千上萬個以這種罕見頻率發生的可能實現。」

這套方法並不限於降雨。只要能取得對應的點統計量與空間資料，同一框架就能視覺化前所未有的洪水、野火與其他自然災害。而其背後的數學，適用於任何「罕見但高衝擊的狀態由複雜交互作用湧現」的系統——團隊明確點名機器人導航與金融市場是候選應用領域。

「金融市場崩盤是一種極端事件，是涉及許多不同部門、由複雜因素組合而成的結果，」Chang 指出。「是什麼樣的交互作用導致市場崩盤？這正是這個方法可以探索的問題。」

Sapsis 則以明確的策略角度定位這項工作的意義：「極端事件已經成為策略層次的顧慮，而不只是環境問題——我們把全球系統最佳化到極致效率，而效率的代價就是到處都沒有留下餘裕。單一極端事件可以在幾週內傳導穿透供應鏈、能源市場與糧食體系。能夠為一個尚未發生的事件標上機率，如今已是國家與經濟韌性的問題。」

脈絡：AI 天氣建模的寧靜革命

η-learning 誕生於 AI 與地球系統科學互動的更大變局之中。GraphCast 類的神經網路預報器，已經以極低的運算成本在中期天氣預報上追平甚至超越傳統數值模式；融合預報、河川水位與歷史紀錄的 AI 平台，也日益普及於洪水與野火的預警。但這些系統幾乎全都本質上是「內插」的——它們擅長預測與過去相似的未來。

MIT 這項工作瞄準的正是互補的盲區：分布的尾部。透過以極值統計（而非極端事件範例）錨定生成過程，它提供了一種對「沒人經歷過的風暴」進行基礎設施壓力測試的方法。對海堤設計者、電網營運商、為百年尺度尾部風險定價的保險公司，以及憂慮關聯性失效的供應鏈規劃者而言，這恰恰是傳統工具回答得最差的問題。

這項研究部分由 Vannevar Bush Faculty Fellowship 與美國空軍科研辦公室資助。論文《Extreme Event Aware (η-) Learning》為開放取用，preprint 亦可於 arXiv 取得——對於一項直接以公共韌性為目標的成果而言，這個細節別具意義。

前路

隨著全球極端天氣加劇、動輒以 50 到 100 年為尺度的基礎設施決策不斷累積，能夠可信地枚舉「前所未見」的方法，價值只會越來越高。η-learning 不會取代物理模擬或作業預報，但它填補了一個真正的缺口：一種快速、資料驅動、可隨需生成數千張合理最壞情境地圖的方式。下一個考驗是採用——工程顧問公司、再保險業者與政府機關，是否會把這類情境生成器納入決定海堤蓋多高的規劃流程之中。