一句话版本
传统天气预报靠数值天气预报：把大气物理方程放在超级计算机上积分，一次全球预报要算几个小时。2022 年起，一批深度学习模型（华为盘古、谷歌 DeepMind 的 GraphCast 和 GenCast、英伟达 FourCastNet 等）只用几十年的历史再分析数据训练，就在许多中期预报指标上追平甚至超过了世界最好的数值预报系统，而且一次预报在单张加速卡上只要几分钟甚至一分钟以内。 2025 年，欧洲中期天气预报中心（ECMWF）把自己的 AI 预报系统 AIFS 投入业务运行，标志着 AI 天气预报从研究走向实际业务。
关于时效
本文按截至写作时的公开资料整理，未逐项联网核对。这个领域进展极快，具体指标和排名请以最新论文和官方发布为准。
第一层：通俗理解
1.1 两种预报方法
| 数值天气预报 | AI 天气预报 | |
|---|---|---|
| 原理 | 用物理方程（流体力学、热力学）一步步推算大气未来的状态 | 从几十年的历史数据中学习"大气这样的时候，6 小时后通常会变成什么样" |
| 计算 | 超级计算机，数小时 | 训练时很贵；预报时单卡几分钟 |
| 优势 | 有物理基础，能处理前所未有的情况 | 快得多；在常见情况下误差往往更小 |
| 依赖 | 观测数据 + 物理模型 | 历史再分析数据（而这些数据本身是数值模式和观测融合的产物）+ 当前初始场 |
1.2 为什么快这么多
数值预报为了稳定，时间步长通常只有几分钟，要一步步积分十天。AI 模型直接学习"6 小时一跳"，自回归地跳 40 次就到了第十天，每一跳只是一次神经网络前向计算。
第二层：代表性成果
| 模型 | 机构 / 时间 | 要点 |
|---|---|---|
| FourCastNet | 英伟达等，2022 | 基于傅里叶神经算子；展示了 AI 模型预报速度的数量级优势 |
| 盘古气象（Pangu-Weather） | 华为，2023 年发表于 Nature | 三维地球特定的 Transformer；首批在中期预报确定性指标上整体超过 ECMWF 业务高分辨率预报的 AI 模型之一 |
| GraphCast | 谷歌 DeepMind，2023 年发表于 Science | 图神经网络，0.25° 分辨率；在绝大多数评估目标上优于 ECMWF 的高分辨率确定性预报；对热带气旋路径、极端天气的预报也有优势 |
| 风乌、伏羲 | 上海人工智能实验室、复旦大学等，2023 | 国内团队的全球中期预报模型，将有效预报时效推得更长 |
| GenCast | 谷歌 DeepMind，2024 年底发表于 Nature | 扩散模型做集合预报：生成一组可能的未来，给出概率；在大多数指标上优于 ECMWF 的业务集合预报（ENS） |
| AIFS | ECMWF，2025 年投入业务运行 | 欧洲中期天气预报中心自研的 AI 预报系统，与其传统数值模式并行业务发布 |
| NeuralGCM | 谷歌，2024 | 混合模型：物理动力核心 + 神经网络参数化，可以做长期的气候模拟 |
第三层：意义、局限与方向
3.1 为什么这是"革命"
- 成本下降：小型气象部门、研究团队、发展中国家也能运行高质量的全球预报；
- 集合预报变便宜：GenCast 这类模型能快速生成大量集合成员，概率预报更可靠；
- 方法论的变化：长期以来天气预报被认为是"物理方程必须主导"的领域，AI 的成功说明从数据中学习动力学是可行的。
3.2 局限
| 局限 | 说明 |
|---|---|
| 依赖再分析数据 | 训练数据本身来自数值模式和观测的融合；初始场仍然要靠传统的资料同化系统 |
| 极端和前所未有的事件 | 训练数据里罕见或从未出现的情况，AI 模型可能外推失败；气候变化正在让"前所未有"越来越多 |
| 预报变"平滑" | 确定性 AI 模型为了降低平均误差，倾向于给出模糊的预报，低估极端值；扩散类模型部分改善了这一点 |
| 物理一致性 | 不一定严格守恒质量、能量 |
| 可解释性 | 预报员难以理解模型"为什么"这样预报 |
3.3 方向
- 端到端：直接从原始观测（卫星、雷达、地面站）出发做预报，绕过传统的资料同化（已有研究在推进）；
- 混合模型：物理核心 + AI 组件（NeuralGCM 的思路），兼顾稳定性和精度；
- 更高分辨率与区域预报：对强对流、城市尺度天气的短临预报；
- 气候尺度：能否用于几十年的气候预测，仍是开放问题。
3.4 和"世界模型"的联系
天气预报可以看作一个具体的、可验证的世界模型：给定当前状态，预测下一个状态，误差可以客观测量。它的成功为更一般的"世界模型"研究（见《世界模型后训练》）提供了一个有力的先例：在动力学足够规律、数据足够丰富的领域，神经网络确实能学到可靠的状态转移。
总结
| 层次 | 要点 |
|---|---|
| 变化 | AI 模型在中期预报上追平或超越顶级数值预报，速度快几个数量级 |
| 代表 | 盘古、GraphCast、GenCast、FourCastNet、风乌、伏羲；ECMWF 的 AIFS 已业务化 |
| 局限 | 依赖再分析和资料同化；极端事件；平滑化；物理一致性 |
| 方向 | 端到端、混合模型、高分辨率、气候尺度 |