本文源自微信公眾號“生態(tài)學時空”，作者為復旦趙斌，原標題是《【AI天氣預報】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)值天氣預報（NWP）模型展開正面較量，結果究竟如何？讓我們一探究竟。

AI與傳統(tǒng)模型的預報邏輯差異

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動因素；缺點是運算速度慢、能耗高，一次10天預報需數(shù)小時，且依賴巨型超級計算機。

  
  

  
  

• AI天氣預報模型：通過歷史數(shù)據(jù)學習。無需解復雜方程，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“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天預報；缺點是“知其然不知其所以然”，遇到未見過的精細結構易出現(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報中的表現(xiàn)，結論清晰：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)：大尺度結構預測不遜傳統(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，這也是其備受關注的核心優(yōu)勢——快速且方向不偏。

2. AI的致命短板：精細結構識別不足，強風預報偏差明顯

但在防災預警的關鍵環(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)模型能準確預測風暴核心區(qū)最大風速（48-50米/秒，相當于15級風），而AI預報的風速普遍偏低，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準備不足；

  
  

  
  

• 無法識別強風驅動因素：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鍵精細結構。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鍵結構。

  
  

  
  

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

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)對中尺度精細結構的記錄不夠精準，相當于未見過真正的強風驅動因素，自然無法學會識別；

  
  

  
  

• 缺乏物理約束：純AI模型僅關注數(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系，不會遺漏關鍵細節(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提升預報速度，傳統(tǒng)模型保障預報精準度

未來的天氣預報可能是：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，兩者結合，既不耽誤防災準備，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天氣預報的下一個突破方向。

3. 極端天氣預報，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要真正勝任防災預警，必須攻克這些小尺度難題，否則再快的預報也無法真正保護生命財產(chǎn)安全。

天氣預報的未來：速度與精準度的結合

從之前的GraphCast（臺式機運行預報）、GenCast（15天概率預報），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：AI正讓天氣預報變得更快、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，傳統(tǒng)模型負責高精度、保細節(jié)，兩者聯(lián)手才能應對日益頻繁的極端天氣。

這場關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