问题背景：数值预报是一台「物理方程求解器」
现代天气预报的底层不是统计，而是物理：把大气切成网格，用纳维–斯托克斯方程与热力学、辐射参数化方案逐步迭代求解。这套数值天气预报（NWP）体系运行了半个多世纪，代价是巨大的算力——欧洲中期天气预报中心（ECMWF）的旗舰系统 IFS/HRES 被视为行业金标准，每次全球预报要在数百个节点的超级计算机上算数小时，而提高分辨率意味着成本近乎按立方增长。
2022 年起，一批深度学习模型换了一条路：不写方程，而是让神经网络直接从 ECMWF 四十多年的 ERA5 再分析数据中「学出」大气的演化规律。代表作品按发表时间排：NVIDIA FourCastNet（2022）、华为盘古气象（Pangu-Weather，Nature 2023 年 7 月）、DeepMind GraphCast（Science 2023 年 11 月）、上海 AI 实验室风乌（2023 年 4 月）、复旦伏羲（FuXi，2023）、DeepMind GenCast（Nature 2025）。
现状：数字与对比
这些模型的共同套路是「自回归」：输入当前与 6 小时前的大气状态，预测 6 小时后，再滚动外推。差异在架构——GraphCast 用图神经网络在 0.25°（赤道约 28 公里）网格上迭代，盘古用 3D Earth-Specific Transformer，GenCast 则改用扩散模型生成概率集合预报。
| 模型 | 机构 | 论文/时间 | 关键数字 |
|---|---|---|---|
| GraphCast | Google DeepMind | Science，2023-11 | 10 天预报在单块 TPU v4 上不到 1 分钟；1380 个验证目标中 90% 以上优于 HRES，对流层达 99.7% |
| 盘古气象 | 华为云 | Nature，2023-07 | 官方口径速度较传统数值预报提速 1 万倍以上；首个精度超过传统数值方法的 AI 模型；ECMWF 曾发技术报告专门测试 |
| 伏羲 FuXi | 复旦大学 | 2023 起 | 45 亿参数，0.25° 全球 15 天预报；2023-12 起上线 ECMWF 官网图表 |
| 风乌 | 上海人工智能实验室 | 2023-04 | 官方口径首次在高分辨率上实现 10 天以上有效预报，80% 指标超过 GraphCast |
| GenCast | Google DeepMind | Nature，2025 | 扩散集合预报，15 天；1320 个验证目标中 97.2% 优于 ECMWF 业务集合预报 ENS，台风路径尤其突出 |
| AIFS Single | ECMWF 自研 | 2025-02-25 业务化 | 首个由主要业务中心全面业务化的机器学习预报模型，每天 4 次，15 天预报数分钟算完 |
速度差距是最直观的部分：GraphCast 的 10 天预报在单块 TPU v4 上不到 1 分钟，而 HRES 同样的预报需要数百台机器的超级计算机算数小时——DeepMind 称速度差距约 1000 倍，华为对盘古的口径是 1 万倍以上（两者基准不同，均属官方宣称）。成本革命已经走到业务化阶段：2025 年 2 月 25 日，ECMWF 把自研的 AIFS Single 正式投入业务运行，每天 4 次与物理模型并行发布预报，数据与权重按开放政策公开。
效果上也有可验证的案例：2023 年 9 月飓风「李」（Hurricane Lee）登陆加拿大新斯科舍省，挂在 ECMWF 网站上的 GraphCast 实时版提前约 9 天锁定登陆区域，而传统预报提前约 6 天。复旦与上海科学智能研究院联合国家气候中心研发的「风顺」次季节大模型官方称可在 3 分钟内完成未来 60 天预测；2025 年一项对 14 个天气预报大模型的同台评测中，综合排名前四位为伏羲、璞云、风清、风乌。
案例与争议：极端天气是 AI 的软肋
AI 气象模型最大的质疑集中在一个点上：它们在「前所未见」的天气面前会失灵。这不是推测——2025 年 8 月苏黎世联邦理工等机构研究者在 arXiv 发表的论文《Numerical models outperform AI weather forecasts of record-breaking extremes》做了系统检验：对 2018 与 2020 年的破纪录高温、寒潮与大风事件（仅 2020 年就有 16 万余个高温纪录格点），HRES 仍稳定优于 GraphCast、盘古、伏羲等全部受试 AI 模型。
原因被研究者总结为一种「软上限」效应：模型在 ERA5 历史极值附近似乎有隐性的截断，倾向于低估破纪录事件的频率与强度（高温、大风低估，寒潮高估），且误差随事件超出历史纪录的幅度近乎线性增长。另一个结构性风险是同质化——各家模型都用 ERA5 训练，论文发现 AI 模型之间的误差高度相关，意味着「 ensemble」分散不了共同的训练数据偏差。
用领域内的话说：AI 模型在「灰天鹅」级别的极端事件上，恰恰在最需要预警的时刻最不可靠。这篇论文给出的建议相当务实：在极端天气场景，业务部门应让数值模式与 AI 模型并行运行；中期方向则包括用数值模拟的极端事件做数据增强、发展 NeuralGCM 式的物理–AI 混合模型、以及把极值理论引入损失函数。
展望：从替代到混合
截至 2026-10-07，格局已经清晰：AI 气象模型不是「能不能用」的问题——ECMWF 的业务化就是官方背书——而是「在哪些环节用、和物理模型怎么配合」的问题。中期路径大概率是混合：用 AI 做廉价的集合初始扰动与大范围常规预报，把昂贵的高分辨率物理模式留给极端事件与不确定性大的情景。对算力预算有限的机构而言，一块 GPU 上的分钟级预报还意味着另一件事：气象预报能力第一次变得可以被发展中国家和研究小组低成本复制。
参考资料
- GraphCast: AI model for faster and more accurate global weather forecasting — Google DeepMind（2023-11-14）
- Learning skillful medium-range global weather forecasting — Science（Lam et al., 2023）
- 华为云盘古气象大模型研究成果在《Nature》正刊发表（2023-07-06）
- ECMWF's AI forecasts become operational（2025-02-25）
- GenCast predicts weather and the risks of extreme weather — Google DeepMind（2024-12-04）
- Numerical models outperform AI weather forecasts of record-breaking extremes — arXiv（Zhang et al., 2025）
- FuXi 加入 ECMWF 图表的官方页面（2023-12-13）
读者留言
COMMENTS 暂无还没有留言，来说第一句？