921 過了 27 年，AI 現在能預測地震嗎？答案其實比「能或不能」更有意思

1999 年 9 月 21 日凌晨 1 時 47 分，台灣發生規模 ML 7.3 的集集地震。

震央位於日月潭西方約 9 公里、深度約 8 公里。中央氣象署資料記載，這場地震造成 2,456 人死亡、10,718 人受傷，超過 5 萬棟房屋全倒。¹

27 年後的今天，一個很自然的問題仍然存在：

如果 921 發生在 2026 年，人工智慧能不能提前知道？

答案有一點令人失望，也有一點令人驚訝。

如果所謂「預測地震」指的是提前幾天甚至幾小時，準確告訴我們：

9 月 25 日下午 2 時 17 分，南投將發生規模 7.1 地震。

目前仍然做不到。

但如果問題改成：

地震已經開始之後，AI 能不能從最前面的幾秒訊號判斷接下來哪裡會猛烈搖晃？

答案已經逐漸變成：可以，而且正在進步得非常快。

「地震預測」和「地震預警」其實是兩件完全不同的事

這也是討論 AI 與地震時最容易被混淆的概念。

Earthquake Prediction，地震預測，通常代表在地震真正發生以前，預測其時間、位置與規模。

理想狀況可能是：

幾天／幾小時以前
↓
預測時間
↓
預測震央
↓
預測震級
↓
提前疏散

這仍然是現代地震科學尚未解決的問題。

斷層並不是一個每隔固定時間就會響一次的鬧鐘。地下岩層受到應力、摩擦、流體、既有斷層結構與附近地震活動影響，其失穩過程極度複雜。

即使歷史資料中出現某些看似具有規律的前兆，也不代表它們每次大型地震以前都會出現。

2026 年《Nature Communications》的一項研究就使用無監督機器學習分析大型地震之前的 seismicity pattern，希望辨識可能的 preparatory phase。研究在部分案例中確實找到了大型地震前長時間存在的特殊地震群集，但論文本身仍明確指出，大型地震預測因斷層系統的複雜性與前兆差異而極具挑戰。⁵

換句話說：

AI 可以幫我們找以前人類很難看出的模式，但「找到模式」並不等於「可以可靠預言下一次大地震」。

這兩者之間還隔著一道非常大的科學鴻溝。

AI 真正快速進步的是 Earthquake Early Warning

另一條技術路線叫做 Earthquake Early Warning，地震早期預警，EEW。

EEW 並不是在地震發生以前預知未來。

它利用的是一個非常單純的物理現象：不同地震波傳播速度不同。

當斷層破裂後，速度較快的 P-wave 會先抵達測站；真正容易造成猛烈水平與垂直搖晃的 S-wave 與後續強震動通常稍晚抵達。

因此系統可以利用這個短暫空檔：

斷層開始破裂
↓
P-wave 傳出
↓
測站偵測
↓
分析震源／震級／地表搖晃
↓
發布警報
↓
更強烈的震動抵達

這段時間可能只有幾秒，也可能依距離增加到數十秒。

但對高速列車、電梯、半導體工廠、醫院手術設備、瓦斯管線與一般居民而言，幾秒並不是沒有價值。

有時候，幾秒就是整套防災系統真正可以工作的時間。

台灣已經開始讓 Transformer「聽地震」

2026 年 4 月，《Journal of Geophysical Research: Machine Learning and Computation》刊登了一個非常適合台灣的案例：Taiwan Transformer Shaking Alert Model，TT-SAM。²

它的名字並不是為了搭 AI 熱潮。

模型真的採用了 Transformer 架構。

TT-SAM 和許多傳統地震早期預警系統最大的不同，在於它的目標不是只有回答：

這場地震規模是多少？

而是進一步回答：

不同地方接下來會搖多大？

模型使用的主要預測指標是 Peak Ground Velocity，PGV，峰值地面速度。

PGV 描述地面在地震過程中的最大運動速度，與強烈地表震動及結構可能受到的影響密切相關。

這代表 AI 的任務開始從單純判斷「地震有多大」，轉向更接近災害真正關心的問題：

不是只有：
Magnitude = ?

而是：
台北接下來會搖多大？
台中接下來會搖多大？
花蓮接下來會搖多大？

TT-SAM 結合多測站 velocity waveform、低頻波形，以及具有物理意義的 seismic features。

研究採用 rolling-update 策略，在 P-wave 抵達後約 3 秒便能開始產生初步地表搖晃預測，之後隨更多波形資料抵達持續修正。²

這是一個很重要的概念轉變。

AI 並不是試圖在地震以前成為先知。

它是在地震開始後，把前幾秒極有限的訊號盡可能榨乾。

為什麼 Transformer 適合這個問題？

地震並不是只有一個測站、一條波形。

真正的系統可能同時接收到：

Station A waveform
Station B waveform
Station C waveform
Station D waveform
...

而且每個測站距離震源不同、地質條件不同、訊號抵達時間也不同。

這很像一群人站在城市不同角落，同時聽到遠方傳來的一聲巨響。

只有一個人聽到時，你可能很難知道發生什麼事。

但如果能同時比較數十個人的時間、方向與音量差異，就可以快速建立一張事件輪廓。

Transformer 擅長處理不同輸入之間的關係，因此多測站 seismic waveform 正好是一種適合 attention mechanism 發揮的資料型態。

它不代表 Transformer 天生理解地球物理學，而是可以學習：

不同測站
+
不同時間
+
不同頻率
+
波形特徵
↓
哪些組合最能預測後續強震動

這也是 AI 開始進入 geophysics 的其中一個核心原因。

另一條台灣路線：Fourier Neural Operator + LSTM

Transformer 並不是唯一方法。

2026 年發表於《Terrestrial, Atmospheric and Oceanic Sciences》的另一項台灣研究，採用了 Fourier Neural Operator，FNO，加上 LSTM 的多測站深度學習架構，用來更快速估計地震規模。³

研究使用台灣地震網在 2012 至 2024 年間紀錄的 7,025 起地震事件訓練模型。

模型同時分析距離最近的 10 個測站，每個測站包含三分量 waveform，並加入震源距離修正資訊。³

架構大致可以理解成：

10 個地震測站
↓
三分量即時波形
↓
Fourier Neural Operator
↓
抽取頻率／空間特徵
↓
LSTM
↓
分析時間序列
↓
估計 Magnitude

研究指出，在第四個測站的 P-wave 觸發之後數秒內，模型即可產生高精度震級估計；在測試資料以及 2025 年 1 至 6 月的真實 EEWS 情境中，表現優於研究中作為比較基準的中央氣象署 Pd-based single-station 方法。³

這類方法的意義不是把傳統地震學丟掉。

恰恰相反，它把地震學累積數十年的物理概念和神經網路結合起來。

例如震波振幅會隨距離衰減，這種物理知識仍然被模型明確納入。

這是目前 scientific AI 很重要的一條方向：

不是要求神經網路重新發明物理，而是讓它在已知物理框架內處理人類難以快速消化的大量資料。

AI 甚至開始跳過傳統的「挑波」流程

2026 年 7 月，《Nature Communications》發表 Quake Neural Operator，QNO。⁴

這項研究處理的是另一個地震監測核心問題。

傳統 earthquake catalog 建立通常要經歷：

Continuous waveform
↓
P / S phase picking
↓
Phase association
↓
Event detection
↓
Location
↓
Earthquake catalog

其中 phase picking 就是判斷每個測站的 P-wave、S-wave 到底從哪一個時間點開始。

對明顯的大地震而言並不一定困難。

但大量極小型地震的訊號可能埋在背景噪音裡，波形開始點非常模糊。

QNO 嘗試直接從 continuous seismic waveform 同時完成 earthquake detection 與 location，不需要先明確進行傳統 phase picking 與 phase association。⁴

研究在美國 Geysers geothermal field 的測試中，偵測到的微地震數量接近例行 catalog 的一個數量級以上。⁴

這並不是「AI 預測了更多地震」。

比較準確的說法是：

AI 讓我們看到以前可能根本沒有被 catalog 記錄下來的小地震。

而更多、更完整的微地震資料，反過來又可能改善我們對斷層活動與地下結構的理解。

它形成一個循環：

更好的 AI detection
↓
更完整 earthquake catalog
↓
更好的 fault understanding
↓
更多訓練資料
↓
更好的模型

那 AI 有一天真的可能「預測地震」嗎？

這是最困難的一題。

目前最合理的答案不是「永遠不可能」，也不是「再給 AI 五年就好了」。

而是：我們還不知道。

2026 年已有研究使用 unsupervised machine learning，在部分大型地震案例的歷史 catalog 中找到可能的 preparatory seismicity patterns。⁵

這代表大型地震前或許並非完全沒有可觀察訊號。

問題是這些訊號是否：

• 每次都存在？
• 能否在不同斷層泛化？
• 是否只有事後回頭看才明顯？
• 假警報率能否低到社會可以接受？
• 它究竟是因果前兆，還是只是統計相關？

假設模型一年發布 50 次大型地震警報，最後只有一次真的發生，它即使在 machine-learning benchmark 上看起來很漂亮，也可能是一套現實世界完全無法使用的系統。

因此地震 prediction 最大的問題從來不只是 accuracy。

還有 false positive、generalization、uncertainty，以及人類要如何對警報做出行動。

如果 921 今天再次發生，AI 能改變什麼？

它大概無法在幾天以前突然告訴所有台灣人：

三天後凌晨會發生規模 7 級地震，請撤離。

這仍然屬於目前科學做不到的事情。

但 2026 年的系統可能比 1999 年擁有完全不同的資訊速度。

地震發生後：

00 秒
斷層破裂

+數秒
附近測站收到 P-wave

+數秒
AI 分析多測站 waveform

↓
估計震級
預測不同區域 PGV
持續更新

↓
EEW notification
自動控制系統

↓
較遠地區收到強烈震波

對距離震央非常近的人來說，物理限制可能意味著幾乎沒有預警時間。

這也是所有 EEW 無法突破的一堵牆：

資訊不能跑回過去。

但離震央越遠，地震波與通訊訊號之間的速度差就越有價值。

光纖與無線網路傳輸資訊的速度遠高於地震波在地殼中的傳播速度。

所以現代 EEW 做的事情，本質上是在和地震波賽跑。

而 AI 的作用，就是讓系統在這場比賽裡少浪費幾秒。

921 留下的問題，AI 沒有消失它，而是換了一種回答方式

27 年前的 921 地震提醒台灣：地震是一種無法阻止的自然事件，但災害本身並不是完全不可管理。

建築法規、耐震設計、斷層調查、測站密度、通訊系統與防災教育，都在決定相同規模的地震最後會造成多大的傷害。

現在 AI 加入了這個系統。

但它不是水晶球。

至少目前不是。

它真正擅長的是：

更多感測器
+
更大量 waveform
+
更短分析時間
+
更好的 pattern recognition
↓
更快理解「現在正在發生什麼」

也許有一天，人類真的會找到大型地震可靠且可泛化的前兆。

也可能不會。

但 AI 已經在做另一件更加務實的事：

當地底真正開始破裂時，盡可能比破壞性的震波更早一步理解它。

人類還沒有學會預知地震。

我們只是變得更會利用地震發生後，那幾秒鐘極其珍貴的時間。