虚实之间：AI天气预报的“非革命”与静默演进

2026年初，一张美国国家气象局发布的天气预报图在社交媒体上引发了关注。这张图片中，爱达荷州出现了几个像“Whata Bod”和“Orangeotild”这样并不存在的城市名。事后证实，这并非预报模型出了严重错误，而仅仅是一张为社交媒体生成的AI图像。这个看似无关紧要的乌龙，却恰好映射出当下公众对人工智能在天气与气候科学领域应用现状的普遍困惑。 解开困惑需要先厘清概念。在当前所有的天气与气候模型中，“AI”的实质指向了机器学习。它的基本思路相当直接：用计算机识别数据中的模式。用一条直线去拟合数据点，即所谓的线性回归，便是一种最简单的模式识别方式。而机器学习的核心能量，在于其算法能驾驭远超人类手工处理极限的复杂性，挖掘出那些我们难以手动描述的关系。 这种训练过程始于一个拥有大量可调整参数的模型结构，比如一个神经网络。算法会投喂海量的示例数据，例如数千张按物种标记好的鸟类照片，让它自行摸索规律。但由此产生的模型存在着关键局限：它无法识别训练数据之外的物种，如果训练照片中的山雀总是站在松树上，模型甚至可能把“松针”误当作定义山雀的核心特征。况且大部分时候，模型内部的决策机制如同一个黑箱，我们很难确切知道它是如何得出特定答案的。 在天气预报领域，这类模型通过两组短时间间隔的天气数据进行训练。它的显著优势在于运行速度——因为它无需在每个网格点上都求解复杂的物理方程，其计算速度远超传统模型。这股趋势吸引了众多科技巨头。谷歌、英伟达、华为和微软等公司都开发了初始的机器学习天气模型，部分项目还与独立学者合作完成。 更具标志性的一步来自权威机构。欧洲中期天气预报中心（ECMWF）于2025年2月将其首个基于机器学习的模型投入业务运行，与它长期倚重的综合预报系统（IFS）并行运作。这个新模型使用再分析数据进行训练，该数据集通过收集所有可用的观测资料并填充物理一致的信息构建而成。机器学习模型在计算效率上经常表现优异，但其预测比较优势仍有待持续验证。

EntAI观察

一张引发围观的虚构城市图片与背后静默演进的数值模型，揭示了一个事实：当前气象领域的AI变革并非一场推倒重来的颠覆性革命。将AI的应用框定为“非革命”，可能恰恰意味着这是一场更深层的演进。 气象学家和气候科学家并未被替代，正在改变的是他们所用工具的辅助形式。机器学习模型将物理规律从必须显式求解的方程，转化为了从海量数据中内化学习的模式。这种转化带来的最大优势在于效率，它使得以更低计算成本快速生成预测成为可能。然而，这种从“对原理的认知”到“对数据的模仿”的转变，需要我们持续警惕其黑箱特性背后的风险：当模型通过识别松针来定义山雀时，它所发现的模式或许在统计上高效，但在物理上并不具备因果合理性。这使得AI模型在应对从未见过的极端天气事件时，其可靠性仍需要审慎评估。