2023 年 Google DeepMind 之 GraphCast 模型採用圖神經網路架構建構 AI 氣象預報模式（Artificial Intelligence Weather Prediction, AIWP），其預報準確度在 90% 預報變數上超越歐洲中期天氣預報中心之傳統數值模式，運算速度提升達千倍。本文針對近 3 年 AI 技術引發之預報結構變革進行系統性綜述研究。本研究依據時間尺度與作業角色建立AIWP 分類框架，涵蓋即時預報（0-6 小時）、中期預報（1-10 天）及次季節至季節（Sub-seasonal to Seasonal, S2S）預報等範疇，系統性回顧自端到端模型至混合架構之技術演進，並探討 Aurora 與 GenCast 等新的系統如何運用基礎模型克服傳統限制。在挑戰性較高的 S2S 領域中， FuXi-S2S 模型透過流場相關的擾動方案，將 Madden-Julian Oscillation,（MJO）有效預報時效延長至 36 天。初代 AIWP 本質受限於均方誤差（Mean SquaredError, MSE）損失函數及缺乏物理守恆約束，普遍面臨預報場平滑化及極端強度系統性低估（如熱帶氣旋強度低估 20-50%、極端降水偏差 35%）；因此，整合物理機制之混合架構已成技術演進的明確方向。針對臺灣氣象作業，本研究建議宜採取「以國際先進模型為基底、在地化校正技術為核心」策略，優先建置高品質臺灣區域再分析資料庫並發展高解析度降尺度技術，並拓展氣候風險治理。