天气预报不再一格一格算空气，AI 是怎么预测风暴的？

天气预报并不是气象员抬头看云后凭经验猜测。传统数值天气预报会把地球周围的大气划成三维网格，在每个格点记录温度、气压、湿度和风，再根据物理方程一步步计算未来状态。网格越细、预报越远，需要的计算通常越庞大。

AI 天气模型提供了另一条路线：从几十年的大气数据中学习“当前状态通常怎样演变”，一次生成未来多个时刻的全球预测。

训练资料不是普通的天气 App 记录

气象观测来自卫星、雷达、气球、地面站、飞机和海洋设备，时间与空间分布并不整齐。研究机构会把观测与物理模型融合成再分析数据，得到连续、一致的历史大气状态。

AI 模型用这些历史快照学习映射：给定现在的全球状态，若干小时后的状态可能是什么。训练结束后，预测过程不必像传统模型那样完整求解每一条物理方程，因此可以非常快。

Google DeepMind 的 GraphCast把地球表示成图。节点对应不同位置，连边传递相邻区域之间的影响。模型从两个相邻时刻的状态出发，预测六小时后的天气，再把结果送回模型，逐步滚动到更远未来。

为什么用“图”而不是一张平面图片

地球是球体，经纬度网格在两极会挤在一起，直接摊成矩形容易产生特殊边界。图结构可以用较均匀的节点覆盖全球，也方便让信息跨不同尺度传播。一个地区的气压变化会沿着大气运动影响下游，图神经网络正适合反复汇总邻近节点的信息。

GraphCast 论文展示了十天全球预报以及对热带气旋路径、大气河等现象的预测能力。它的推理速度很快，但“快”不代表训练便宜：模型仍依赖大量高质量历史资料、专用计算和持续维护。

AI 并没有把物理学赶出气象台

训练数据本身就来自观测与物理同化系统，AI 学到的规律并非凭空出现。传统数值模型还能直接表达能量、质量守恒等约束，并模拟训练历史中极少出现的情形。AI 模型可能在平均指标上表现优秀，却对分布外事件、局地强对流或快速变化的气候条件缺乏经验。

实际天气预报也不是只运行一个模型。气象机构会比较多个模型、多个初始条件和集合预报，判断不同未来路径的概率。AI 模型更适合作为新增成员，与传统系统、实时观测和预报员专业判断互相校验。

为什么十天后的预报总会更不确定

大气是混沌系统。初始温度或风速的微小误差会随时间放大，即使模型完美，观测也不可能无限精确。因此远期预报天然应以概率和趋势表达，而不是给出某条街十天后几点下雨的确定承诺。

AI 可以提高某些预测的准确度和速度，却不能消除混沌。面向公众的产品还必须把模型输出转化为可理解的风险，例如降雨概率、台风路径范围和预警等级。

AI 天气预报真正改变的，不是“计算机终于会看云”，而是预测大气状态的计算方式。过去主要依据方程一步步推进，现在又多了一位从历史中学会演变规律的快速预报员。最可靠的未来，很可能不是两者决一胜负，而是让数据驱动与物理模型共同描述同一片天空。