[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"$fID2uFcUfyBQ7uKueYFptjiebOKyJ0nJFp0ZkWLM_ZEA":3},{"item":4,"related":46},{"id":5,"type":6,"title":7,"slug":8,"summary":9,"body":10,"coverUrl":11,"productScreenshots":12,"productLinks":13,"authorName":14,"authorUrl":15,"authorSubject":16,"category":17,"tags":22,"sourceLabel":35,"sourceName":36,"sourceUrl":37,"status":38,"seoTitle":39,"seoDescription":39,"canonicalUrl":39,"isFeatured":40,"sno":41,"sortOrder":42,"publishedAt":43,"updatedAt":44,"createdAt":45},"305492d4-c146-456a-b341-31140ab9cafd","article","天气预报不再一格一格算空气，AI 是怎么预测风暴的？","how-ai-weather-forecasting-works","传统数值预报依据物理方程推进大气状态，AI 天气模型则从历史观测与再分析数据中学习状态如何演变。本文以 GraphCast 为例，解释图神经网络如何快速预测全球天气、它与传统方法如何协作，以及极端天气仍有哪些难点。","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。\n\nAI 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。\n\n![GraphCast 输入全球天气状态并逐步预测未来天气的三阶段示意图](https:\u002F\u002Flh3.googleusercontent.com\u002FUjm4BZdWGHc7JaTDZntbC4qzyawCJUseZdJHMgmFJRnO3Eu6wj3xd25n0ZiCpJhluo7J1Rm7to3ZVvLTkneLVELXj9q7kuMzPHtFcqOPEeLW-VeY%3Dw1440)\n\n## 训练资料不是普通的天气 App 记录\n\n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。\n\nAI 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。\n\n```mermaid\nflowchart LR\n    A[卫星与地面观测] --> B[形成全球大气状态]\n    B --> C[AI 天气模型]\n    C --> D[预测六小时后状态]\n    D --> C\n    D --> E[生成更远期预报]\n```\n\nGoogle DeepMind 的 [GraphCast](https:\u002F\u002Fdeepmind.google\u002Fblog\u002Fgraphcast-ai-model-for-faster-and-more-accurate-global-weather-forecasting\u002F)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。\n\n## 为什么用“图”而不是一张平面图片\n\n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。\n\nGraphCast 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。\n\n## AI 并没有把物理学赶出气象台\n\n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。\n\n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。\n\n## 为什么十天后的预报总会更不确定\n\n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。\n\nAI 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。\n\nAI 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。","\u002Fuploads\u002F2026-08-16\u002Fa8b5ddad-d6db-4d12-a159-87a6c5309082.jpg",[],[],"Foundit","https:\u002F\u002Ffoundit.cn","f39339b1-aaa6-4e86-b0c2-a6e6a21113b5",{"id":18,"name":19,"slug":20,"description":21},"6179d3b6-dc34-4483-9ded-3cd9f1b37a47","科普","abbreviation","介绍各领域新兴概念",[23,27,31],{"id":24,"name":25,"slug":26},"88d2bc27-0e0f-468a-b907-2991cb97b87b","人工智能","ai",{"id":28,"name":29,"slug":30},"4c2bbea6-eab7-40a8-8447-1de478ff7749","分析","analyse",{"id":32,"name":33,"slug":34},"7c76bfc2-f80f-4ee0-a95d-27bd8708b434","技术","slug","资料来源","Google DeepMind：GraphCast","https:\u002F\u002Fdeepmind.google\u002Fblog\u002Fgraphcast-ai-model-for-faster-and-more-accurate-global-weather-forecasting\u002F","published",null,false,60,0,"2026-08-16T00:00:00.000Z","2026-08-16T03:19:52.590Z","2026-08-14T03:06:12.102Z",[47,56,64],{"id":48,"type":6,"title":49,"slug":50,"summary":51,"coverUrl":52,"authorName":14,"sno":53,"publishedAt":54,"createdAt":55},"f00e5274-8e0b-40fe-af3b-b6a8d0183b9c","一张贴纸就能骗过视觉 AI？对抗样本不是魔法","adversarial-examples-fool-visual-ai","人眼仍能认出的物体，经过精心设计的微小扰动或标记后，机器却可能改变判断。这类输入称为对抗样本。本文解释攻击者如何利用模型的决策边界，现实攻击为何比实验更难，以及为什么目前不存在一劳永逸的防御。","\u002Fuploads\u002F2026-09-08\u002F151f887b-c5f1-4647-b369-cdda8a1e1b4f.jpg",50,"2026-09-03T00:00:00.000Z","2026-08-14T03:06:09.765Z",{"id":57,"type":6,"title":58,"slug":59,"summary":60,"coverUrl":61,"authorName":14,"sno":41,"publishedAt":62,"createdAt":63},"7f962194-e0c6-4072-9b50-c70054beb0e5","同一个问题问三遍，AI 为什么会给出三个答案？","why-ai-gives-different-answers-sampling","大模型每次回答都在从候选词中继续选择，而不是从数据库里取出一段固定文字。温度、Top-p 和随机采样共同决定回答更稳定还是更有变化。本文用抽签与岔路的比喻，解释 AI 的随机性从哪里来，以及什么时候应该追求一致。","\u002Fuploads\u002F2026-08-14\u002Fb322d338-b5c0-48c7-addf-fbd91421e316.jpg","2026-08-14T00:00:00.000Z","2026-08-14T03:06:07.351Z",{"id":65,"type":6,"title":66,"slug":67,"summary":68,"coverUrl":69,"authorName":14,"sno":41,"publishedAt":62,"createdAt":70},"9e9afe71-5d23-4620-8eed-c452ece17b29","学会新知识，反而忘掉旧本领：AI 也会灾难性遗忘","catastrophic-forgetting-continual-learning","模型继续学习新任务时，更新参数可能破坏旧任务依赖的能力，形成灾难性遗忘。它不同于聊天记录丢失，也不同于知识库没检索到。本文从共享旋钮的比喻出发，解释持续学习的难题、常见缓解方式和最新研究方向。","\u002Fuploads\u002F2026-08-14\u002F8ddbbcd1-fa08-4a07-b2ca-64bf088b32cd.jpg","2026-08-14T03:06:09.188Z"]