AI 正如何改变天气预报

Hannah Fry 介绍天气预测：条件中的细微差异可能随时间放大。她与 Google DeepMind 研究总监 Peter Battaglia 讨论 AI 预报、其局限以及与业务气象人员共同使用的方式。

Battaglia 回顾了 2025 年 10 月袭击牙买加和其他加勒比岛屿的飓风 Melissa。他说，Google 的实验模型在登陆前显示了可能形成五级飓风，并称团队与包括美国国家飓风中心在内的机构分享了预报。

他描述了扰动发展时模型信心的增强。官方预报员参考多种信息后发布自己的预报；Battaglia 说，飓风中心后来告诉团队，该模型帮助增强了他们的判断信心。这是研究人员对单次事件的描述，不能代表整体表现。

Fry 和 Battaglia 讨论风暴的破坏以及提前预警的价值。Battaglia 指出，预警更少时会发生什么这一反事实无法被精确知道。

DeepMind 在全球天气模型之外开发了专门的热带气旋模型。Battaglia 说，回顾性评估中，许多情况下可在更长约一天的提前量上达到相近准确度；这一结果取决于评估和指标。

他介绍用户与机构获取预报的方式，包括 Weather Lab 和其他 Google 产品。正式预警仍由相关气象主管机构负责。

天气预测困难，是因为大气对微小变化敏感，而且观测无法捕捉每个相关细节。更好的统计方法可以提取更多信息，但不能消除根本的不确定性。

Battaglia 说，团队把机器学习和流体模拟经验与数十年的天气数据结合，其中包括欧洲中期天气预报中心整理的记录。

传统数值天气预报从估计的大气状态出发，随时间推进物理方程的近似解。Battaglia 称数十年来物理、观测和计算方面的进展是一项重大科学成就。

AI 天气模型则从历史天气中学习统计关系，并用这些关系预测未来状态。它仍然依赖观测以及物理世界产生的数据。

Battaglia 梳理了从机器学习辅助数值模型，到区域短时预测，再到全球模型的演进。GraphCast 接收全球状态并预测其变化，结合局部处理和更大尺度的表示。

确定性预报针对给定输入给出一个结果；概率预报表示一系列可能结果。传统方法与 AI 方法都可以使用集合预报，帮助决策者考虑概率较低但后果严重的事件。

Battaglia 介绍 GenCast 如何生成多个可能情景，而不只是预期平均值。飓风路径和强度的分散程度可以传达不确定性，但集合成员一致本身并不保证概率经过良好校准。

他概述两种生成方法：扩散模型从不同噪声输入生成情景，团队的功能生成网络则通过改变神经网络生成一系列输出。

WeatherNext 3 与早期系统的不同之处在于，除估计的天气状态外还使用卫星图像，并预测气象站的测量结果。Battaglia 将目标描述为把观测更直接地连接到预报。

他用树作类比：观测是树根，全球预报模型是树干，专门模型是枝条，用户应用是树叶。团队希望在一个模型中连接其中更多阶段。

新模型提供更细的空间与时间细节，并可利用逐小时卫星数据更频繁地生成预报。这些变化需要大幅调整模型架构和训练过程。

潜在应用包括预测风电、太阳能发电和随温度及湿度变化的电力需求。农业也可能从更好的降雨和温度信息中受益，但必须评估具体应用的表现。

被问到比较时，Battaglia 称团队模型表现强劲，但强调表现会随变量、预报时效、地区和事件而变化。不应假定某一个模型在所有情况下都是最好的。

他说热带气旋受到了大量关注，但精细尺度龙卷风和一些极端温度事件的研究较少。他对 AI 将改善这些预报的期待是一项预测，而不是针对每种灾害的实测结果。

预报误差可能累积。Battaglia 说统计模型在误差增大时可能趋向平均状况，从而产生漏掉极端事件的风险；他把这与数值模拟的不同失效方式作比较。

他提出，模型可能通过组合从许多局部天气情形中学到的模式，推广到未见过的极端事件。他也承认这一解释和模型在罕见事件上的表现需要进一步研究。

未来工作可能纳入更多观测，支持能源、交通、农业和灾害影响方面的决策。Battaglia 希望预报越来越多地涉及后果，例如电线可能受到的损害。

Battaglia 预测部分应用会逐渐不再直接近似求解方程，同时指出学习所用数据仍反映物理规律。他强调，必须跨变量和地点严格评估，才能判断模型。

两人讨论概率天气建模的进展能否帮助其他领域，以及语言模型未来是否能帮助用户查询预报。这些是可能的研究方向，不是本次对话已经证实的能力。