本次山陀兒颱風對高屏地區帶來嚴重災情，因為其的周邊引導較弱、原地停留時間較長加上快速減弱的現象很明顯，因為台灣並無足夠大數據與氣象站還有提升功能的空間，蔡昆凌博士建議利用現有AI快速與立即運算可以將颱風預報準確度與警報提早6-8小時，讓災害與傷亡減到最低。

事實上，在日本氣象廳的預報顯示往西轉，但山陀兒卻逐漸變成熱帶性低氣壓，環流結構定位很弱，各地預測的中心定位不同，它登陸的時候強度更快地減弱的時候，它環流結構的定位在現有預測模式的結構感不足，因此颱風中心定位就會不準確。其實我覺得這個應該還好，從颱風預報的技術發展，如以AI 科技預測的預報中央氣象署在與NVIDIA合作前，很早就應該立即在天氣預報的應用進行測試與實作評量。

西方國家氣象部門因為氣象需要大資料庫與大量數據，所以台灣結合各國氣象單位通盤規劃合作事宜是最理想的試驗單位。

其實凱米颱風來襲時，台灣除了傳統預報外也有使用AI模式，就可以以AI科技在凱米颱風接近台灣陸地時有很清楚的逆時鐘旋轉模式，所以AI技術實際應用對於中央氣象署掌握未來颱風動向是未來絕對的趨勢！但蔡昆凌博士提出一個重要問題關鍵就是台灣現在需要有很大的資料庫去輸入作預測參考；再者，過去的完整資料不足，這是現階段未推估在類似環境的困境，因為AI預測颱風的可能走向在資料沒有那麼多下無法確切預測比較偏向哪類颱風接近；特別台灣在秋季容易在台灣北部形成暴雨，是聚焦在天氣系統的分類，國內外也有相關研究指出：AI這方面研究仍有提升空間。

本次颱風，台灣中央氣象署與NVIDIA合作的AI模型「CorrDiff」，也確實證明為氣象領域應用AI模型「CorrDiff」，能透過AI將氣象資料解析度從25公里降至2公里，與過去傳統模式相比，更可讓單次推理速度提高1000倍、能耗減少3000-3500倍。

蔡昆凌博士指出：目前限於大氣現象非常複雜，如小尺度的雷陣雨和大尺度的鋒面系統會交互影響，地形也會產生干擾，這些都是「非線性現象」，但只要以AI高效快速的計算速度去計算統計降尺度只能處理單純的線性資料，就可減少產生不夠精準的情況。

而動力降尺度雖然足以處理非線性資料，卻難在需耗費非常大量的電腦運算資源和時間成本，「這就是為什麼要作者認為未來以AI科技降尺度的方式去預測的必要性；因為它既可以處理很多非線性資料，是台灣未來在氣候甚至極端氣候下的氣候變遷包含地震可以預防的有效預防措施，而各國數據合作統合讓AI技術算出最準確的結果才是人類最期待的結果，不是嗎？