AI 預測黑天鵝災害：結合貝葉斯推理，靠極少數據預判極端危機

要想預測一場突如其來的滔天巨浪，或者下一次疫情的確診峰值，傳統計算機模型基本都在碰運氣。

這類罕見災難被稱為「黑天鵝」。它們破壞力極大，但因為幾十年難遇，人類手裡根本沒有足夠的歷史資料拿來訓練模型。更麻煩的是，背後的物理機制複雜又充滿噪音，預測它們就像在無限維度的乾草堆裡找一根針。

發表在《Nature Computational Science》上的一項新研究，試圖打破這個死局。來自拜耳作物科學等機構的研究團隊提出了一種新方案：把統計學裡的貝葉斯推理和深度神經網路結合起來，只用極少數精選樣本，就能準確推算極端災難的發生機率。

繞開物理方程，讓兩個網路並排跑

論文第一作者 Ethan Pickering 指出，過去預測極端事件主要靠物理控制方程。但現實世界實在太複雜，方程對微小噪音極其敏感，稍有偏差就滿盤皆輸，甚至很多實際系統的物理規律人類至今都沒摸透。

既然方程靠不住，純靠海量資料的傳統 AI 又因為樣本匱乏而失靈，團隊選擇換一種思路。

他們引入了貝葉斯推理，利用先驗知識去計算不確定選擇的正確機率。說白了，就是把精力放在篩選最高質量的資料點上，用資料質量彌補數量不足，做到少花錢多辦大事。

在模型底層，團隊使用了一種名為 DeepONet 的深度神經運算元。它把兩個神經網路打包成一個系統，兩條平行網路同時處理資料，能更高效地理解物理系統的動態變化。藉助這種雙網路整合，系統可以精確量化不確定性，只吃很少的資料就能跑出可靠結果。

從滔天巨浪到船體折斷

研究團隊用這套方法測試了多個以往讓人頭疼的罕見災難場景。

比如在公共衛生領域，系統成功估算出了疫情期間確診病例出現危險激增的機率。在海洋安全方面，它能從看似平緩的尋常海浪中，識別出哪些波浪可能會突變成吞沒船隻的致命巨浪。

他們甚至還用它計算了大型船舶在承受巨大應力時何時會被折成兩半。測試結果顯示，這種新方法在預測精度上全面擊敗了傳統物理建模，而且在多個沒寫進論文的複雜系統上也表現驚豔。

研究人員計劃把這項技術投向氣候變化帶來的自然災害。例如應對厄爾尼諾現象引發的颶風激增，提前幫社會發現那些可能導致災難的極端情景，找到最佳減災預案。

為什麼重要

我們認為這項研究最聰明的地方，在於它打破了「大模型必須喂海量資料」的思維定勢。

對於防災應急部門、氣象學家和航運企業來說，這套工具指明瞭一個很現實的方向：在那些根本不可能收集到海量資料的黑天鵝領域，與其死磕算不清的物理公式，不如用貝葉斯方法選出關鍵切片，讓 AI 辦精準的重活。

從技術路線上看，它給「AI for Science」提供了一種極其高效的折中路徑。純物理驅動經常算崩，純資料驅動又缺樣本，而 DeepONet 雙網路架構配上不確定性量化，正好踩在兩者的平衡點上。

不過，我們覺得現在就談徹底消滅極端天氣盲區還為時過早。現實世界的氣候系統比實驗室模擬要複雜幾個數量級，哪怕減少了資料需求，生成足以刻畫系統臨界點的資料本身依然成本高昂。要真正落地成即時災害警報系統，模型化簡的尺度拿捏還得看頂尖專家的火候。