引子：一场暴雨的提前四小时
2025 年夏天，华东某市气象台把一次强对流预警的发布时间提前到了降雨到达前的三小时四十分——在过去，这类生命周期的短临过程，传统数值模式往往要等到雷达回波已经成型才能给出可信推演。支撑这次提前量的，不是又建了一台更快的超级计算机，而是一类新东西：AI 气象大模型。它把「预报」这件做了上百年的事，从求解流体力学方程组，变成了一次神经网络的推理。
这件事的分量比听起来重。数值天气预报（NWP）被视为二十世纪最伟大的科学工程之一：把大气切成一个个网格，用纳维-斯托克斯方程推演每个格点的未来。它准确，但昂贵——全球中期预报跑一次，要消耗一个国家级超算中心的大量机时。而 AI 模型把这套推演压缩成一次前向传播，几秒钟出结果，算力成本骤降几个数量级。当预报的成本结构被改写，整个行业的工作方式都要重新想象。
两条技术路线：从「模仿」到「替代」
目前的 AI 气象模型大体走了两条路。第一条是数据驱动端到端：直接用四十多年的再分析资料（比如 ERA5）训练，让模型学会「今天的大气状态推出明天的大气状态」。它的强项是速度——全球 0.25 度分辨率的十天预报，单张加速卡几分钟就能滚算完成，而且多项指标在台风路径、中层大气环流等场景上追平甚至超过了传统全球模式。
第二条路线更保守：让 AI 去修正数值模式的输出，也就是所谓的统计后处理或「偏差订正」。模式算得粗糙的地方，用几十年的历史误差数据训练一个模型去修。它不如端到端模型激进，但保留了物理方程的骨架，解释性强，目前仍是许多业务台署的第一步。
一个容易被忽略的细节：初始场
端到端模型有个先天软肋——它的初始场来自再分析资料，而再分析本身就是数值模式融合观测的产物。换句话说，AI 模型「开局」的信息里已经藏着老模式的心血。真正独立的路是直接同化卫星辐射率、雷达回波这类原始观测，把资料同化也交给神经网络。这条线进展很快，但离业务化还有距离。
它真正擅长的三件事
- 集合预报的平民化。传统集合预报要跑几十个成员来估计不确定性，机时消耗巨大。AI 模型便宜到可以一次生成五十个扰动成员，把「降雨概率」这种概率语言真正普及到县级决策。
- 短临外推。用雷达回波序列训练的生成式模型，能推演未来两小时的对流演变，对雷暴大风、冰雹这类小概率高影响天气，提前量比外推算法明显拉长。
- 次季节尺度。两周到两个月的「预报空窗期」，传统技巧有限。AI 模型在 Madden-Julian 振荡等低频信号的刻画上，已经显示出超越动力模式的苗头。
它还不擅长的事
诚实地说，AI 气象模型目前的短板和它的优点同样清晰。其一是极端值偏保守：训练数据里百年一遇的过程样本太少，模型倾向于把极端强度往气候平均态拉——而预报恰恰在最需要它的时刻最容易失手。其二是物理不可解释：模式输出一个不合理的温度场，预报员可以顺着方程查是哪个过程算错了；AI 给出离谱结果，只能归为「模型幻觉」，难以归因。其三是气候变化下的漂移风险：模型是在历史气候里训练的，当真实气候持续偏离训练分布，它的技巧是否仍然成立，学术界还在争论。
还有一个务实的问题：算力并没有消失，只是转移了。训练一个全球模型需要数千卡时，推理虽然便宜，但为了集合与滚动更新，业务化的算力账单同样可观。省下的是超算机时，付出的是智能算力——这正是气象部门重新议价的空间。
预报员会失业吗
至少在可见的未来，答案是「角色会变，岗位不会消失」。模式越强，人越要做那些模式做不了的事：在多个模式的分歧里做裁决，把降水落区翻译成水库调度建议，在预警发布前判断「这次信不信它」。有业务台做过内部对比：AI 模型 + 预报员订正的组合，强对流预警的命中率比任何单一模式都高。预报员的价值正在从「算得出来」转向「拍得了板」。
结语：天气预报的第二种范式
一百年前，挪威学派靠手绘天气图建立了现代气象学；七十年前，数值模式把预报变成了一门计算科学；今天，AI 大模型让它多了一种可能。这三种范式并不是替代关系——手绘图训练出的直觉、方程约束下的物理理解、数据驱动的速度优势，正在被捏合进同一套业务流程。对普通人来说，最直观的变化也许是：手机上的降雨预报，从「大概下午有雨」变成了「你所在的那条街，四点二十开始下」。预报的颗粒度，正在从城市走向街巷。
