二〇二五年，印尼因洪災蒙受約四十億美元的經濟損失——這數字背後，藏著一個氣象學界長年的痛點：世界上大片區域，根本沒有地面雷達。
沒有雷達，就等於沒有即時的「眼睛」。傳統降雨預測只能靠數值模型推估，誤差像滾雪球般放大，防洪決策、保險理賠、物流調度，全在跟一個不確定的天空賭運氣。而現在，一家氣候科技新創 Rainbow Weather 帶著 AI 模型 GlobalCast 闖進這場賭局，而且開局就拿下暫居第一的成績單。
先看數字。根據第三方評測機構 WeatherIndex.ai 的排名，GlobalCast 在短期降水預測的 F1 分數達到 0.51，對比 AccuWeather 的 0.39 與 The Weather Company 的 0.34，差距不是小幅領先，是直接跳了一個級距。F1 分數不是只看「有沒有報對下雨」，它同時懲罰漏報跟誤報——換句話說，分數越高，代表這個模型既能抓到真實的降雨事件，又不會亂放警報嚇人。
「全球許多地區缺乏雷達網路，降雨預測往往只能依賴模型推估，對防洪、保險、物流、零售、農業與能源調度都可能造成影響。」——Rainbow Weather 官方說明
現象觀察：當 AI 直接讀懂衛星影像，雷達不再是唯一選項
GlobalCast 的核心突破，說穿了就一句話：它跳過地面感測器，直接從衛星影像讀取降雨訊號。
過去幾十年的 nowcasting（極短期天氣預報），高度依賴雷達回波。但雷達建置成本高昂，維護不易，開發中國家、偏遠山區、海洋上空，幾乎是預報的黑洞。GlobalCast 用 AI 訓練衛星資料，以 十分鐘更新一次、一公里解析度的規格，把這些空白區域補上——而且不限於陸地，連海洋都涵蓋在內。
這不是單純的「把數據丟進神經網路」。衛星影像接收的是大氣頂層的輻射訊號，跟地面實際降雨之間存在複雜的非線性關係。Rainbow 團隊找出了一條直接對應的路徑，讓 AI 學會從雲頂特徵反推地表降雨強度。說得白話一點：他們不是在模擬天氣，而是在「看」天氣。
原因剖析：為什麼是現在？數據、算力、商業動機同時到位
首先，衛星資料的開放性與密度已達到歷史新高。全球氣象衛星的觀測頻率與解析度逐年提升，Rainbow 不需要自己發射衛星，就能取得足夠訓練 AI 的原料。
其次，AI 架構的演進讓影像辨識的準確度大幅躍升。卷積神經網路（CNN）與 Transformer 架構的成熟，讓模型能從二維影像中抓取肉眼看不見的空間關聯——比如某種雲型結構在過去六小時內有 87% 的機率發展成暴雨。
再者，商業動機非常明確。全球保險業每年因天氣災害的理賠金額以數百億美元計算，物流業的延誤成本、零售業的庫存備貨、農業的灌溉排程，全都與「幾小時後會不會下雨」高度連動。誰能把預測誤差縮小 10%，誰就能從這些產業身上切下一塊足夠大的市場。
話說回來，Rainbow 自己也承認，單一國家、單次測試的結果不能下定論。F1 分數 0.51 雖然領先同業，但離「完美」還有一段距離。他們需要更多地區、更多季節的交叉驗證，才能證明 GlobalCast 不是只會跑印尼的資料。
影響評估：誰會先受衝擊？誰又該緊張？
短期內受影響最直接的，是現有的天氣數據服務商。AccuWeather 與 The Weather Company 長期以傳統數值模式加上人工修正作為核心競爭力，GlobalCast 的出現等於直接挑戰「雷達是王道」的既有思維。如果 AI 從衛星影像就能給出更精準的結果，地面雷達的建置必要性將被打上問號——尤其在新興市場，這會是一個成本結構的顛覆。
對保險業與再保險公司來說，這是個好消息。更精確的降雨預測代表更精準的風險定價。過去因為預測不確定性而被迫墊高的保費，有機會逐步下修；而過去因為缺乏數據而乾脆不承保的地區，也可能出現新的商品空間。
但對防災單位來說，警報不是愈多愈好。F1 分數的高明之處就在於它平衡了「抓到」與「誤報」。誤報的代價不只是民眾的信任流失，還包括無效疏散的社會成本。GlobalCast 的 0.51 分數代表它的誤報率已經低於同業，但離防災決策所需的穩定性仍有段距離——這也是 Rainbow 自己不斷強調「仍需更多資料交叉驗證」的真正原因。
從產業面來看，這場競賽的真正贏家不會是 F1 分數最高的模型，而是能讓終端使用者「敢於行動」的那個系統。技術指標再漂亮，只要決策者還需要打電話問氣象局求證，商業價值就沒真正落地。Rainbow 的優勢在於它從最難的市場切入——那些根本沒有雷達的地方——一旦證明可行，它的護城河會比想像中更深。
趨勢預測：Foundation Nowcast Model 是下一步，但大廠環伺
Rainbow 的野心不只在降雨。他們下一步計畫打造 Foundation Nowcast Model，將溫度、風速、冰雹、閃電、太陽輻射全部納入同一套大氣模型，預測延伸至二十四小時。訓練資料來源也不再限於衛星與雷達，還包括地面氣象站、手機氣壓感測器，甚至物聯網設備。
這聽起來很美好，但挑戰也很現實。首先，多變量模型的訓練難度是幾何級數上升。降雨跟溫度的物理機制不同，閃電跟太陽輻射的資料特性也不一樣，要把它們塞進同一個架構還能維持各項指標的準確度，不是單純加幾個輸入層就能解決。
再者，微軟、Google DeepMind、輝達（NVIDIA）已經全面進場。這些科技巨頭不缺算力、不缺數據工程師、也不缺全球市場的通路。Rainbow 雖然在即時降雨預測暫居領先，但這是一場馬拉松，不是百米衝刺。科技大廠的優勢在於垂直整合——他們可以把氣象模型綁進雲端服務、車載系統、甚至手機作業系統裡——這種生態系的覆蓋力，是新創很難複製的。
不過，有趣的是，大型科技公司目前關注的氣候模型多半集中在中長期預測或氣候變遷模擬，短時間、高解析度的 nowcasting 對他們來說，市場規模還不夠誘人。這正是 Rainbow 的機會窗口。如果他們能在未來十二到十八個月內把 Foundation Nowcast Model 打磨到穩定商用，同時在東南亞、南美、非洲等雷達缺乏區建立實績，就算微軟或輝達後來追上，也很難在品牌信任度與區域數據的累積上快速超車。
對一般人來說，這場競賽的最終受益者會是我們手機裡的天氣 App。未來當你看見「三小時後有暴雨」的推播通知，背後跑的不是中央氣象局的雷達回波，而是 AI 從衛星影像裡讀出的即時判斷——而且準確度，會比現在高上一個世代。
但前提是，他們得先證明 0.51 不是一次性的佳績，而是可複製的標準。
你上一次因為天氣預報失準而改變行程，是什麼時候？如果 AI 能把這個機率降低一半，你願意為這樣的服務付費嗎？
本文改寫整理自公開新聞來源，原始報導由科技新報發布。
常見問題 FAQ
Rainbow Weather 的 GlobalCast 跟傳統氣象預報有什麼不同？
GlobalCast 直接從衛星影像讀取降雨訊號，跳過地面雷達的依賴，以 AI 模型每十分鐘更新一次、一公里解析度的方式提供全球降雨即時資訊，特別適合沒有雷達網路的區域。
F1 分數 0.51 在氣象預測領域代表什麼意義？
F1 分數同時衡量漏報與誤報，0.51 在短期降水預測中已屬領先水準，對比 AccuWeather 的 0.39 與 The Weather Company 的 0.34，顯示 GlobalCast 在抓對降雨事件與降低誤報之間取得了更好的平衡。
這套 AI 降雨模型什麼時候會在臺灣上線？
官方尚未公布具體的臺灣上線時程。GlobalCast 目前仍在多地交叉驗證階段，但臺灣具備完整的雷達網路與地面觀測資料，可作為驗證場域，實際商用時間仍需等待進一步公告。
※ 此篇文章由 AI 改寫或生成，內容僅供參考，可能存在錯誤或不準確之處。
