极端天气频发已成为全球气候变化的突出表现。近年来，强对流风暴、突发性强降雨等灾害性天气事件不断出现，造成严重人员伤亡和经济损失。香港去年夏季短短八天内四次发出黑色暴雨警告，印尼巴厘岛、泰国南部等地也遭遇暴雨洪涝重创。这些案例表明——提升极端天气预报能力——已成为保障人民生命财产安全的紧迫课题。传统气象预报仍受多重因素限制。当前天气预报主要依赖数值模式模拟大气状态，但这种方法存在明显短板：一上计算成本高，需要大量算力支撑；另一方面受大气混沌特性和观测资料不足影响，预报精度难以稳定。尤其是对发展迅速、尺度较小的对流系统（如雷暴、暴雨），传统方法往往只能提前20分钟到两小时发布预警。预警窗口过短，使政府、应急部门和公众很难在灾害到来前完成有效的防灾准备、人员疏散或应急部署，防灾减灾效果因此受限。港科大研究团队围绕这个难题取得新进展。由港科大沿海城市气候韧性全国重点实验室、哈尔滨工业大学（深圳）、中国气象局热带海洋气象研究所及国家卫星气象中心学者组成的团队，开发了一套新的人工智能运算框架，命名为“基于卫星数据的深度扩散模型”。该模型采用生成式人工智能前沿的深度学习训练思路，在训练过程中向数据注入噪声，使模型学习如何反向生成高质量的预报信息，从而在一定程度上绕开传统数值模式的限制。
极端天气考验的是一座城市乃至一个区域的系统韧性。把预警时间从“赶不及”推进到“来得及”——不仅是技术指标的提升——也是公共安全治理向前一步。要以更早、更准、更可用的预警体系守住防灾减灾底线，离不开持续的联合攻关、更加开放共享的观测与产品体系，以及把科学预报转化为公众听得懂、部门做得到的行动机制。让预警跑在灾害之前，才能把风险损失尽可能降到最低。