AI气象模型迈入业务化运行，但“无中生有”的失误揭示技术边界

当前，人工智能似乎正在渗透每一个领域，气象科学也不例外。然而，这一进程并非一场简单的“革命”，而更像是一次充满试探与校准的谨慎变革。其潜力与局限，都在近期的实践中清晰地展现出来。

这场对话在2026年开了一个不太理想的开端。早些时候，美国国家气象局的一个办公室在社交媒体上发布了一张人工智能生成的预报图，图中赫然出现了爱达荷州根本不存在的城市名称，如“Whata Bod”和“Orangeotild”[]。这一事件表明，即便在最权威的机构中，尖端技术的应用也可能因疏忽或对模型行为的理解不足而产生尴尬且具有误导性的结果。

抛开这一插曲，机器学习在气象领域的实质性进展已经发生。谷歌、英伟达、华为和微软等科技巨头已开发出基于机器学习的初始天气预报模型[]，这标志着产业界正在对这一技术路线投入大量资源。更为关键的一步来自全球顶尖的业务化预报机构——欧洲中期天气预报中心（ECMWF）。该中心于2025年2月将其首个基于机器学习的模型“AIFS”投入业务运行，并与该机构长期使用的物理模型——综合预报系统（IFS）并行工作[]。这个名为AIFS的模型，其训练依赖于再分析资料，即一种通过吸纳所有可用观测数据并补全为物理一致的网格化数据集[]。

这些AI模型的运作逻辑与传统模型截然不同。其核心在于模式识别，而非像传统模型那样直接求解复杂的物理方程。机器学习通过给定带有答案的海量示例数据，迭代调整类神经网络结构中的数值“旋钮”来识别模式[]。具体到天气预报，模型被输入两组在短时间间隔内获取的天气数据，从而学会预判大气状态将如何演变[]。

EntAI观察

尽管已有业务化应用，但围绕机器学习气象模型的讨论仍需置于务实的技术语境中。AIFS模型与IFS模型并行运作的模式可能意味着，现阶段物理模型仍是业务可靠性的基石，而AI模型正处于积累信任的验证期[]。这些模型最直观的优势或许在于计算效率，它们的运算速度远快于传统天气模型，这为快速生成集合预报从而描绘不确定性提供了新的可能。然而，此前美国国家气象局的“虚构城市”事件反映出，AI模型在生成看似合理但完全错误的信息这一特性上，与传统物理模型的失败模式有本质区别[]。物理模型的误差通常体现在预报偏差上，而生成式或类生成式AI的误差则可能表现为与客观物理世界完全脱节的“幻觉”，这或许说明此类技术在某些对精确性要求极高的公共服务场景中，仍需要严密的监督与后处理机制。

同时，这些模型对其训练数据的深度依赖值得关注。AIFS使用再分析资料进行训练，这意味着它的预报能力上限受限于我们对过去天气的理解与数据同化能力[]。如果某些极端或罕见天气事件在再分析资料中未被完美刻画，模型可能永远无法学会对它们的准确预测。这引出了一个关键的风险判断。