气象AI的“革命”之名与实：速度快了，但范式未变

近期一篇分析指出，气象与气候科学领域的人工智能进展，或许并未达到外界所宣称的“革命性”程度。尽管速度大幅提升，但深层范式可能只是进化，而非颠覆。 今年早些时候，美国国家气象局一个办公室在社交媒体上发布了一张预报图，图中赫然出现了“Whata Bod”和“Orangeotild”等虚构城市名称。事后证实，这只是一幅由AI生成的图像，并非实际预报产品。这一尴尬插曲，为AI在严肃气象领域的应用敲响了警钟。 在更核心的业务层面，变革确实正在发生。2025年2月，欧洲中期天气预报中心（ECMWF）将其首个基于机器学习的模型投入业务运行，与该中心长期以来倚重的集成预报系统（IFS）并行运转。这标志着机器学习正式进入主流预报流程，成为传统数值模式的补充。 在这一浪潮中，科技企业扮演着重要角色。Google、Nvidia、华为与微软等公司，均曾与独立学者合作，开发出早期的天气AI模型。这些模型所宣称的“AI”，实质上指的是机器学习，而非具有认知能力的通用智能。 机器学习模型的训练过程是从零开始：先赋予模型一种结构，比如神经网络，然后输入海量带有标签的示例数据。模型通过反复迭代，寻找能将输入与正确答案关联起来的最佳参数组合。在天气预报场景中，模型通常使用两组间隔较短时间的天气数据，学习大气状态在短时间内的演变规律。 由于无需在每个空间点上求解复杂的物理方程，这些模型的运行速度远快于传统的数值天气预报模式。拟合一条直线趋势线——即线性回归——是最基本的模式识别，而机器学习则能捕捉更复杂的非线性关系。在实际应用中，机器学习算法在计算效率上常常优于人类精心设计的算法，在准确性上也偶有领先，但前提是必须被正确使用。 然而，速度的提升带来了一个令人不安的代价：模型内部大多时候如同一个“黑箱”。多数时候我们并不清楚它是如何得出具体预测结果的。即便做大量额外工作，其内部推理机制仍难以完全透明。 以ECMWF正在运行的AIFS模型为例，其训练数据来自再分析数据集。这种数据集通过收集所有可用的气象观测资料，并填补出物理上一致的信息构建而成。这本质上是在学习过去天气的统计特征，而并非像物理模型那样从基本定律推导未来大气状态。这意味着，尽管模型可以极快地产生预报结果，但它缺乏对大气动力学过程的物理理解。当输入数据出现异常，或者遇到气候系统罕见状态时，模型可能会以看似合理却完全错误的结果输出，而预报员却难以从内部机制中找到出错原因。美国国家气象局的虚构城市事件，正是这类潜在风险的一次轻微暴露。 因此，气象领域的这一波AI浪潮，或许更像是一种效率工具的精进，而非根本范式的跃迁。模型跑得更快了，但预报能力的天花板依然被数据质量和统计模式所限。它可能让常规预报更廉价、更迅捷，但在需要深层物理理解和极端事件推演的场合，传统方法的角色依然难以被取代。

EntAI观察

当前气象AI的核心机会在于大幅降低预报的计算成本和时间门槛，使高分辨率、快速更新的预报能够覆盖更广阔的区域和更短的时效，尤其有利于短时临近预报等实时性要求极高的场景。但风险同样不容忽视：模型可解释性不足这一固有缺陷，使其在直接输出面向公众的预报产品时容易产生不易察觉的差错。在极端灾害预警、航空与海洋工程等容错率极低的领域，过度依赖黑箱模型而绕过人类专业判断，可能带来决策失误与严重的连锁后果。气象界需要为AI模型建立一套严谨的验证、约束和追溯机制，让技术红利真正转化为可靠服务。