例如，当研究人员删除训练数据中所有二级及以上飓风记录后，AI模型即使面对可能引发五级飓风的大气条件，仍只能预测出二级飓风。这种低估极端事件的“假阴性”误差可能带来严重后果，如未能预警超强飓风，导致防灾不足。

与传统气象模型不同，AI缺乏对物理规律的直接理解，仅依赖统计规律预测。不过，研究发现，若训练数据中包含其他地区的类似事件（如用太平洋飓风数据预测大西洋飓风），AI仍能部分外推预测。这表明，扩大数据多样性可提升模型对罕见事件的捕捉能力。

为突破这一局限，研究团队建议将数学工具和大气物理原理融入AI模型，例如通过“主动学习”方法，利用AI优化传统物理模型生成极端事件样本的能力。此外，单纯增加数据量并非最佳方案，关键在于智能选择训练数据以提高对极端事件的预测性能。