本文源自微信公眾號“生態(tài)學時空”，作者為復(fù)旦趙斌，原標題是《【AI天氣預(yù)報】終極大考：面對致16人死亡的歐洲強風暴，它贏了傳統(tǒng)模型嗎？| 一起讀頂刊-2026》

2023年11月，西亞蘭風暴（Storm Ciarán）席卷歐洲，陣風最高時速達300公里，造成16人死亡、百萬家庭斷電、機場關(guān)閉、列車停運，成為北歐近年破壞力極強的溫帶風暴之一。

這場真實的極端天氣事件，為風頭正勁的AI天氣預(yù)報模型提供了一次實戰(zhàn)檢驗機會。英國雷丁大學研究團隊將四款頂尖AI模型（FourCastNet、盤古天氣、GraphCast、FourCastNet-v2）與傳統(tǒng)數(shù)值天氣預(yù)報（NWP）模型展開正面較量，結(jié)果究竟如何？讓我們一探究竟。

AI與傳統(tǒng)模型的預(yù)報邏輯差異

要理解這場較量的意義，需先了解兩種模型的工作原理：

• 傳統(tǒng)數(shù)值天氣預(yù)報（NWP）：基于物理方程計算。借助超級計算機解算熱力學、流體力學方程，模擬熱量、水汽和空氣的運動軌跡。其優(yōu)勢在于邏輯清晰、細節(jié)精準，尤其能捕捉強風、暴雨等危險天氣的核心驅(qū)動因素；缺點是運算速度慢、能耗高，一次10天預(yù)報需數(shù)小時，且依賴巨型超級計算機。

  
  

  
  

• AI天氣預(yù)報模型：通過歷史數(shù)據(jù)學習。無需解復(fù)雜方程，而是“消化”1979年以來的海量歷史氣象數(shù)據(jù)（相當于百萬個千兆字節(jié)），自主總結(jié)“氣壓高+濕度大=可能刮大風”等規(guī)律。優(yōu)點是運算快、能耗低，臺式機或普通AI芯片幾分鐘即可生成10天預(yù)報；缺點是“知其然不知其所以然”，遇到未見過的精細結(jié)構(gòu)易出現(xiàn)偏差。

  
  

  
  

簡言之，傳統(tǒng)模型如同“嚴謹?shù)奈锢韺W家”，AI則是“機靈的數(shù)據(jù)分析員”。此次西亞蘭風暴，正是檢驗數(shù)據(jù)分析員在極端天氣下能否達到物理學家的精準度。

核心較量結(jié)果：AI的優(yōu)勢與不足都很突出

研究團隊對比了兩者在西亞蘭風暴預(yù)報中的表現(xiàn)，結(jié)論清晰：AI能把握整體局勢，但難以精準捕捉致命細節(jié)。

1. AI的亮眼表現(xiàn)：大尺度結(jié)構(gòu)預(yù)測不遜傳統(tǒng)模型

在風暴整體路徑判斷上，AI表現(xiàn)出色：

• 準確預(yù)測風暴路徑：從北大西洋生成后向東穿越歐洲的整體軌跡，與傳統(tǒng)模型預(yù)報基本一致，提前48小時鎖定影響區(qū)域；

  
  

  
  

• 精準識別風暴宏觀特征：能捕捉云頂位置、暖區(qū)形狀（風暴中溫度較高區(qū)域）、暖輸送帶急流（為風暴供能的氣流通道）等大尺度特征；

  
  

  
  

• 掌握風暴動力核心：明確風暴在高空急流出口區(qū)快速增強，這是其成為超強風暴的關(guān)鍵原因。

  
  

  
  

也就是說，若想知道未來幾天是否有風暴來襲，AI能快速給出可靠答案，這也是其備受關(guān)注的核心優(yōu)勢——快速且方向不偏。

2. AI的致命短板：精細結(jié)構(gòu)識別不足，強風預(yù)報偏差明顯

但在防災(zāi)預(yù)警的關(guān)鍵環(huán)節(jié)，AI暴露了短板，所有模型均出現(xiàn)顯著偏差：

• 低估最大風速：這是最嚴重的問題。傳統(tǒng)模型能準確預(yù)測風暴核心區(qū)最大風速（48-50米/秒，相當于15級風），而AI預(yù)報的風速普遍偏低，盤古天氣、FourCastNet-v2的偏差最多達8米/秒，相當于從15級降至12級。別小看這8米/秒，強風造成的經(jīng)濟損失與風速的三次方成正比，微小偏差可能導致防災(zāi)準備不足；

  
  

  
  

• 無法識別強風驅(qū)動因素：風暴中最危險的窄帶強風源于折回暖鋒和中尺度急流兩個關(guān)鍵精細結(jié)構(gòu)。折回暖鋒是風暴邊緣折返的鋒面，梯度越陡風越強，但所有AI都未捕捉到這種陡峭梯度；中尺度急流是近地面小范圍強氣流（寬50-100公里），AI也未識別，自然無法準確計算風速；

  
  

  
  

• 難以捕捉風暴核心細節(jié)：風暴成熟后中心會形成“暖芯孤”（與外界隔絕的暖空氣，是強風的重要來源），僅部分AI能模糊識別，多數(shù)模型直接忽略了這一關(guān)鍵結(jié)構(gòu)。

  
  

  
  

一句話總結(jié)：AI能告知風暴即將來臨，卻無法精準預(yù)測最危險區(qū)域的風力強度——而這正是防災(zāi)減災(zāi)最需要的信息。

AI為何出現(xiàn)偏差？

此次實戰(zhàn)暴露的并非AI不夠智能，而是其學習方式存在先天局限：

• 訓練數(shù)據(jù)不夠精細：AI依賴歷史數(shù)據(jù)訓練，但這些數(shù)據(jù)對中尺度精細結(jié)構(gòu)的記錄不夠精準，相當于未見過真正的強風驅(qū)動因素，自然無法學會識別；

  
  

  
  

• 缺乏物理約束：純AI模型僅關(guān)注數(shù)據(jù)規(guī)律，不遵循物理定律的硬性規(guī)則。例如傳統(tǒng)模型不會出現(xiàn)風速與氣壓梯度不匹配的情況，但AI可能因未掌握規(guī)律而出現(xiàn)此類不符合物理邏輯的偏差；

  
  

  
  

• 黑箱缺陷：AI的決策過程無法追溯，能算出風速偏低，卻無人知曉是哪個數(shù)據(jù)特征導致的，這讓科學家難以針對性改進。

  
  

  
  

而傳統(tǒng)模型的優(yōu)勢正在于此：基于物理方程推導，每一步都清晰可追溯，只要方程正確，就能精準捕捉梯度越陡風越強等因果關(guān)系，不會遺漏關(guān)鍵細節(jié)。

啟示：AI與傳統(tǒng)模型不是對手，而是隊友

這項研究的價值并非否定AI，而是讓我們對AI天氣預(yù)報有了更全面的認識——它不是取代傳統(tǒng)模型的革命，而是補充傳統(tǒng)模型的升級。

1. AI提升預(yù)報速度，傳統(tǒng)模型保障預(yù)報精準度

未來的天氣預(yù)報可能是：AI先快速給出風暴路徑和大致強度（節(jié)省時間），傳統(tǒng)模型再聚焦危險區(qū)域，精準計算強風、暴雨的細節(jié)（保障安全）。例如在西亞蘭風暴中，AI提前48小時鎖定影響區(qū)域，傳統(tǒng)模型再算出具體哪里會刮15級風，兩者結(jié)合，既不耽誤防災(zāi)準備，又能精準部署資源。

2. AI需補充物理知識

要解決AI的短板，并非讓它學習更多數(shù)據(jù)，而是讓它掌握物理規(guī)則。正如之前提到的NeuralGCM模型，將物理約束融入AI訓練，使其既懂數(shù)據(jù)規(guī)律，又不違背物理定律——這或許是AI天氣預(yù)報的下一個突破方向。

3. 極端天氣預(yù)報，細節(jié)決定生死

西亞蘭風暴的教訓是，極端天氣的破壞力往往隱藏在細節(jié)中：幾公里寬的強風帶、陡增的風速梯度。AI要真正勝任防災(zāi)預(yù)警，必須攻克這些小尺度難題，否則再快的預(yù)報也無法真正保護生命財產(chǎn)安全。

天氣預(yù)報的未來：速度與精準度的結(jié)合

從之前的GraphCast（臺式機運行預(yù)報）、GenCast（15天概率預(yù)報），到此次西亞蘭風暴的實戰(zhàn)檢驗，我們能看到清晰的發(fā)展脈絡(luò)：AI正讓天氣預(yù)報變得更快、更易獲取、更節(jié)能，但仍需傳統(tǒng)物理模型的“精準兜底”。

未來不會是AI取代傳統(tǒng)模型，而是“AI+傳統(tǒng)模型”的協(xié)同進化——AI負責廣覆蓋、快響應(yīng)，傳統(tǒng)模型負責高精度、保細節(jié)，兩者聯(lián)手才能應(yīng)對日益頻繁的極端天氣。

這場關(guān)于風暴的較量最終告訴我們：科學進步從來不是非此即彼的選擇，而是取長補短的智慧。當AI的靈活遇上傳統(tǒng)模型的嚴謹，我們才能更從容地面對大自然的考驗。

解讀文獻：

• https://doi.org/10.1038/s41612-024-00638-w