2025 年 2 月 25 日，欧洲中期天气预报中心（ECMWF）把一个机器学习模型 AIFS 提升为正式业务系统，与运行了四十多年的物理模式 IFS 并列发布官方预报[aifs]。同年 7 月 1 日，51 个成员的 AIFS 集合预报也投入业务运行。按 ECMWF 的口径，AIFS 做一次全球预报的能耗约为物理模式的千分之一，耗时从几十分钟降到几分钟。数值天气预报自 1950 年 Charney 与冯·诺依曼在 ENIAC 上算出第一张预报图以来，第一次出现不解流体力学方程的业务预报员。
这条前沿常被归入"AI for Science"的宏大叙事（见 ai-for-science），但本文换一个角度——站在大气科学内部看：为什么偏偏是天气预报先被 AI 攻下？它对极端天气到底行不行？以及，同样的招式搬到气候模拟上，为什么突然不灵了。
破除误解：AI 没有"学会物理"，它学的是一份档案
AI 天气模型不求解纳维-斯托克斯方程。它们做的事是：从 ECMWF 的 ERA5 再分析档案——用物理模式把 1940 年以来全部观测同化成的全球大气三维历史——里学习一个映射："此刻的大气状态 → 六小时后的大气状态"。GraphCast、盘古、FourCastNet 无一例外都训练在这份档案上。
这带来两个必须记住的推论。第一，AI 模型的地基是物理模式造的：没有再分析就没有训练数据，数据驱动路线从一开始就欠着动力模式一笔债。第二，档案只记录发生过的大气。训练数据里没有的气候态，模型原则上没见过——这一点将在气候问题上回来找麻烦。
现场：三条路线的竞赛
确定性中期预报是第一波。2022 年 NVIDIA 的 FourCastNet 率先展示 Fourier 神经算子路线的速度；2023 年，华为盘古（《Nature》）与 DeepMind 的 GraphCast（《Science》）相继越过里程碑——GraphCast 论文报告，在 1380 个验证目标中的 90% 上，其精度超过 ECMWF 的高分辨率确定性预报 HRES，而一次十天预报在单台 TPU 上不到一分钟[graphcast]。复旦的 FuXi、上海人工智能实验室的 FengWu 等随后加入。
概率集合预报是第二波，因为天气预报的精髓从来不是"最可能是什么"，而是"可能性分布有多宽"。DeepMind 的 GenCast（2024 年 12 月《Nature》在线发表）用扩散模型直接生成集合：论文报告在 97.2% 的验证目标上超过 ECMWF 的集合系统 ENS，尤其在台风路径与极端高温的概率预报上[gencast]。ECMWF 的 AIFS ENS 则在 2025 年成为第一个业务化的 AI 集合系统。
物理-AI 混合是第三条，也可能最持久。Google Research 的 NeuralGCM（2024 年《Nature》）保留一个可微分的动力核心来解大尺度流体方程，只把云、辐射等无法解析的次网格过程交给神经网络参数化。结果：短期预报媲美集合系统，而且可以稳定积分数十年——纯数据驱动模型跑那么长通常会漂掉[neuralgcm]。微软的 Aurora（2025 年《Nature》）走的是"地球系统基础模型"路线：13 亿参数，一个模型同时做天气、空气质量、海浪与气旋路径。
| 路线 | 代表（年份） | 突破点 | 软肋 |
|---|---|---|---|
| 确定性预报 | FourCastNet（2022）、盘古（2023）、GraphCast（2023） | 多数指标超 HRES；分钟级出报 | 平滑化；极端值偏弱 |
| 概率集合 | GenCast（2024）、AIFS ENS（2025 业务化） | 97.2% 目标超 ENS | 训练仍依赖再分析 |
| 物理混合 | NeuralGCM（2024） | 可稳定积分数十年 | 分辨率与过程完整性受限 |
| 基础模型 | Aurora（2025） | 单模型覆盖多圈层任务 | 各任务的物理一致性待验 |
评测之争：分数赢没赢，谁说了算
"超过 HRES"的说法需要拆解。主流评测用 RMSE（均方根误差）做指标，而 RMSE 系统性地偏爱平滑的预报——把锋面抹糊一点，误差反而更小（气象界称之为"双重惩罚"问题）。AI 模型的 RMSE 优势里，有多大比例来自"更会预报"，多大比例来自"更会抹平"，是 2020 年代中期的核心争论。
实测证据已经给出警示。2025 年西班牙几次高影响风暴的个例研究显示，用 AIFS 驱动区域模式时，极大阵风被系统性低估 13–25 km/h——对防灾而言，这恰是最不能输的那个变量。这正是大气科学界强调的东西：预报的价值要在极端事件的尾部检验，而不是在全球平均的分数上。
更深一层的依赖问题同样没有答案：AI 模型以再分析为训练集，也以物理模式的分析场为初始场起跑。物理模式如果停转，AI 预报连"此刻的大气状态"都拿不到。所谓替代，目前仍是寄生。
次季节到气候：AI 招式的失效边界
两周到三个月的次季节-季节（S2S）预报——季风爆发、热浪持续性、ENSO 演变——是业务预报最软的一段，物理模式在这里的技巧本来就低。AI 模型在 S2S 尺度上的优势远小于中期预报，原因直白：S2S 信号藏在海温、土壤湿度、平流层的慢过程里，而再分析档案对这些慢过程的记录本身就有模式偏差——AI 连偏差一起学了进去。
气候模拟则是另一量级的难题。气候模式要回答的是没见过的问题：CO₂ 加倍后的地球。训练数据里没有未来，纯数据驱动路线无从学起。NeuralGCM 的混合架构是目前最有希望的绕行方案——大尺度动力学由方程保证守恒性，AI 只补齐参数化。它能稳定跑几十年气候积分是实测结果，但它对升温情景的响应是否忠实，仍须与 CMIP 物理模式集合对表。这一步，2026 年的学界共识是"尚无定论"。
代价与争议
- 分数通胀与平滑偏见。 RMSE 优势部分来自预报平滑化；对阵风、短时强降水等尾部变量，AI 模型的系统性低估已在业务个例中实测到。
- 数据宗主问题。 训练集、初始场、评测基准全部来自 ECMWF 体系——AI 模型的"独立验证"在多大程度上独立，本身就是问题。
- 可解释性赤字。 图神经网络给出的预报没有物理过程归因。预报错了，动力气象学家能诊断模式错在哪个参数化；AI 错了，目前只能说"再训一版"。
- 算力与数据的集中。 领先的模型几乎全部出自少数科技公司与 ECMWF——气象预报这件公共品，正在向拥有算力的一方倾斜。
- 小国的两难。 AI 预报推理成本极低，理论上让发展中国家用得起顶级预报；但训练与评测能力不在本地，"用得起但看不懂、验不了"可能换来新的依赖。
未知的边界
- AI 预报在训练期外的极端事件（破纪录热浪、千年一遇暴雨）上表现如何？系统性外推测试能否取代个例轶闻？
- 次季节-季节预报这个"预报沙漠"，AI 能不能靠学习海气耦合慢过程真正攻下，还是受制于再分析档案自身的偏差？
- 混合模式（物理核心 + AI 参数化）能否在未来十年内进入 CMIP 气候评估主流？它对敏感度的估计可信度如何检验？
- 如果业务中心逐步削减物理模式投入，谁来生产再分析与初始场？这个"鸡生蛋"问题有没有制度性安排？
- 集合预报的 AI 化会把预警提前量推进多少——台风、洪水的决策时间窗口能被实测地拉长吗？
跨域连接
- AI 驱动的科学发现：从计算机科学视角看，GraphCast 是"学映射而非解方程"范式的样板；从大气科学内部看，关键差别在于它的训练档案本身由物理模式同化而来。推论：气象是 AI4Science 里罕见的"数据比方程便宜"的领域，这个条件在蛋白质、材料领域并不成立——气象经验的可移植性比看上去低。
- 混沌理论：洛伦兹 1963 年在大气对流模型里发现的蝴蝶效应，给确定性预报划了约两周的理论上限——这不是算力问题，而是初值误差的指数放大。推论：AI 模型同样服从这个上限，所以前沿必然从"更准的单次预报"转向"更好的概率分布"——GenCast 与 AIFS ENS 的兴起正是这条数学约束的产业体现。
- 数值方法：动力模式把流体力学方程离散到网格上，守恒性与稳定性的数值设计决定了气候积分的可信度；NeuralGCM 保留可微动力核心，本质是承认数值分析七十年积累不可替代。推论：纯数据驱动模型在长时间积分中的漂移，恰恰是没有守恒约束的直接后果——"混入方程"不是怀旧，是数值稳定性的硬要求。
- 全球大气环流：AI 模型学到的"映射"里藏着真实的环流物理——急流、Rossby 波、季风槽的位置都被编码在权重中，但无人能完整读出。推论：如果 AI 预报在环流型转变期（如阻塞高压建立）系统性失准，应优先怀疑训练档案中该环流型的样本不足——这为诊断 AI 预报提供了动力气象学的入口。
- 威廉·皮叶克尼斯：1904 年皮叶克尼斯把天气预报定义为物理初值问题——知道此刻的大气，用方程推未来。AI 路线没有推翻这个定义，只是把"用方程推"换成了"用档案推"。推论：初值问题仍是预报的本质，观测与同化的质量决定一切路线的天花板——AI 改变不了这一点，只会让它更显眼。
参考文献
- Lam, R. et al. Learning skillful medium-range global weather forecasting. Science 382, 1416–1421 (2023). DOI: 10.1126/science.adi2336.
- Bi, K. et al. Accurate medium-range global weather forecasting with 3D neural networks. Nature 619, 533–538 (2023). DOI: 10.1038/s41586-023-06185-3.
- Kochkov, D. et al. Neural general circulation models for weather and climate. Nature 632, 1060–1066 (2024). DOI: 10.1038/s41586-024-07744-y.
- Price, I. et al. Probabilistic weather forecasting with machine learning. Nature 637, 84–90 (2025). DOI: 10.1038/s41586-024-08252-9.
- ECMWF. AI forecasts become operational（2025 年 2 月 25 日 AIFS Single 业务化；2025 年 7 月 1 日 AIFS ENS 业务化公告）.
延伸阅读
- Bodnar, C. et al. A foundation model for the Earth system. Nature 641 (2025). DOI: 10.1038/s41586-025-09005-y.