一、五分钟的抉择
2025年10月，热带风暴“梅丽莎”在海地以南洋面生成时，美国国家飓风中心的首席值班预报员菲利普·帕平面对的是一个几乎无解的局面。风暴路径诡谲，气象界的传统数值模型给出了相互矛盾的结果。
帕平打开了一个刚投入使用不到一年的工具——谷歌DeepMind的AI气象预测模型。屏幕上，约40到50个集成模型成员齐刷刷指向同一个结论：“梅丽莎”将在24小时内从一级飓风暴增至五级。“虽然我还不准备给出如此高的强度预报，”帕平事后回忆，“但这是我信心的关键来源。”
三天后，“梅丽莎”以每小时近300公里的风速重创牙买加，验证了AI的预判。美国国家飓风中心飓风专家小组负责人丹·布朗评价：“在‘梅丽莎’身上做出这样的预报，相当出色。”
这场胜利，是AI气象预报从实验室走向业务运行的标志性时刻。但它也掩盖不了一个更深层的问题：当天气突破历史记录的边界时，AI还能信赖吗？
二、从64000名“算手”到1分钟出图
天气预报的现代化之路，始于一个疯狂的想法。1922年，英国科学家刘易斯·弗莱·理查德森提出“天气预报工厂”的构想：64000名专业算手通过光信号协同，用手工计算来预报西欧未来6小时的天气。这个设想在当时被当作天方夜谭——6周的计算时间换6小时的预报，没有任何实用价值。
直到1950年，美国气象学家恰尼和冯·诺依曼才借助刚刚诞生的电子计算机，完成了历史上第一次数值天气预报实验。此后的70多年里，数值天气预报——基于大气物理方程、在超级计算机上运行的复杂数学模拟——成为全球气象预报的黄金标准。
这套体系精确，但代价高昂。欧洲中期天气预报中心（ECMWF）的高分辨率预报系统（HRES）需要数小时才能在超级计算机上完成一次全球预报。全球只有少数几个国家和机构负担得起这样的计算能力。
2022年，一个转折点悄然到来。英伟达联合劳伦斯伯克利国家实验室等机构发表了FourCastNet，首次证明基于数据驱动的AI模型可以在气象预报领域与传统物理模型一较高下。该模型使用傅里叶神经算子架构，在节点小时基础上比传统数值预报模型快约45000倍。
AI气象预报的竞赛，由此拉开序幕。
三、四巨头的技术路线之争
2023年7月，华为云盘古气象大模型登上《自然》杂志正刊——这是近年来中国科技公司首篇作为唯一署名单位发表的《自然》正刊论文。盘古采用独创的3D Earth-Specific Transformer架构处理不均匀的三维气象数据，并使用时域聚合策略减少迭代误差。其运行速度比传统数值模式快上万倍。中央气象台在台风“玛娃”的路径预报中验证了盘古的表现——它提前五天预报***风将在台湾岛东部海域转向。
同年11月，谷歌DeepMind的GraphCast在《科学》杂志上发表。该模型基于图神经网络，在0.25度分辨率下能在60秒内完成10天全球天气预报。据DeepMind披露，GraphCast在中程预报精度上超越了ECMWF的HRES系统。ECMWF随即在其官网上线了GraphCast的实时预报实验。
2024年6月，微软发布Aurora大气基础模型，参数量达到13亿。Aurora的独特之处在于跨界——不仅能预报天气，还能预测空气质量和海洋波浪。其计算速度据估计是传统模型的5000倍。
英伟达则持续迭代FourCastNet，2026年1月通过Earth-2开放模型家族发布了升级版。据英伟达官网信息，新版本采用球谐神经算子，支持全球集合预报。
就连传统气象界的标杆ECMWF也主动拥抱变革——2025年2月，ECMWF正式将自主研发的AI驱动模型AIFS投入业务化运行。据ECMWF披露，AIFS单次预报的能耗相比传统模型降低了约1000倍。
一场由科技巨头主导的气象预报范式转移，已经不可逆转。
四、“梅丽莎”的胜利与隐忧
回到“梅丽莎”的案例。DeepMind团队2026年8月在《自然》杂志发表的最新研究显示，该AI模型在飓风路径、强度和结构三大核心要素的预测上，平均比传统模型领先整整一天或更久。其五天飓风路径预测的准确时效，比最强的公共竞争对手领先了30多个小时。
谷歌并未止步。2026年9月，谷歌DeepMind与Google Research联合发布WeatherNext 3，空间分辨率较上一代提升约5倍，地表温度和湿度精度达5公里。据谷歌官方披露，其提前一天的降水预报准确率最高提升50%。
然而，掌声尚未散去，质疑声已从学术界涌来。
2026年5月，卡尔斯鲁厄理工学院与日内瓦大学联合团队在《科学进展》发表研究，将多款主流AI模型（包括GraphCast、盘古等）与传统物理模型HRES进行了数千次破纪录极端天气的对比测试。结论令人不安：AI模型系统性地下调了极端高温、极端寒潮及暴风的强度与频率。“AI模型普遍低估了高温、寒潮和风力记录的强度，”研究负责人钟伟张指出，“训练数据记录被突破得越多，低估就越严重。”
芝加哥大学和纽约大学的研究人员2025年5月在《美国国家科学院院刊》发表的研究给出了解释：AI模型的本质是基于过去40年历史气象数据的模式识别。如果给AI输入从未发生过的极端气候条件，AI会本能地向常态妥协。日内瓦大学的塞巴斯蒂安·恩格尔克教授进一步阐释：“神经网络难以可靠地外推到训练域之外——也就是超出以往观测值的预测。而基于物理的模型如HRES，建立在物理基本定律之上，即使大气进入从未观测过的状态，预报仍然可靠。”
莱斯大学等机构2026年3月的一项结构分析发现，AI生成的风场虽然看起来很逼真，但在风暴中心附近的梯度风平衡等核心指标上，经常违反基本的空气动力学物理约束。
更根本的制约在于数据本身。AI气象模型的初始输入，百分之百依赖于传统物理模型收集和整理的数据。正如麻省理工学院气象学名誉教授凯里·伊曼纽尔和国家飓风中心主任迈克·布伦南所言，AI目前只能被视作一种超强的高级参考工具，而非传统气象学的替代品。
五、行业挑战与未来之路
AI气象预报的产业化正在加速，但挑战同样尖锐。据2026年世界气象组织人工智能大会综述，技术鸿沟、监管滞后、数据失衡、极端事件预报能力弱、可解释性欠缺等问题叠加，为全球气象AI发展带来多重风险。
数据质量是另一重隐患。2026年6月《自然》旗下期刊发表的一篇评论指出，高质量的AI训练数据依赖实地观测的调整、同化和校准，而全球实地观测网络正面临萎缩风险。AI的进步可能因数据“断供”而严重受损。
在商业端，天气预测正在变成一门“快生意”。据行业分析，单次预报的计算成本已下降两到三个数量级，行业进入壁垒正在消失。但低成本也带来新问题——据《新京报》报道，已有个人利用AI工具以极低成本生成并贩卖台风预报，触碰了法律红线。
面对这些挑战，学术界和产业界正在探索融合路径。据中国气象科学研究院2026年7月发布的研究，将AI模型与传统数值模式耦合，在极端降水和台风强度预报中已展现出更高精度。清华大学李勇团队2026年6月提出的全球气候模态统一预测模型UniCM，则试图将AI推向更深层的气候科学问题。
卡尔斯鲁厄理工学院的研究团队也指出，通过有针对性地用模拟极端事件丰富训练数据、引入极值统计的新训练方法以及混合建模，AI气象预报的鲁棒性有望逐步提升。
但在此之前，一个共识正在形成：在事关人命的防灾减灾决策中，人类气象员的经验判断、传统数值模式的严谨计算，依然是不可或缺的最后一道防线。
AI让天气预报变快了、变便宜了、日常预报变准了。但当极端天气来临时，物理定律不会因为AI没“见过”就网开一面。这场技术革命的下半场，考验的或许不是谁跑得更快，而是谁能在速度与安全之间找到平衡。
（本文基于公开信息整理，数据来源包括《自然》《科学》《科学进展》《美国国家科学院院刊》等学术期刊，ECMWF、NVIDIA、Google DeepMind、华为云官方发布，以及KIT、芝加哥大学等机构研究报告）
本文由AI辅助生成
