2025年6月4日，ECMWF位于意大利博洛尼亚的超级计算中心完成了当天第2次全球数据同化循环。这套名为IFS（Integrated Forecasting System）的系统刚刚用约1小时的计算时间，将来自全球约40种卫星仪器、数万个地面站、探空气球、商业航班和海洋浮标的观测数据，通过4D-Var算法融合成一个覆盖全球大气的3维状态场——这是几乎所有现代天气预报的”第0步”。与此同时，在Google DeepMind的服务器上，一个名为GenCast的AI模型在不到2分钟内完成了同等时效的全球概率预报——但它仍然需要ECMWF提供那个”第0步”的初始场才能启动。

这个依赖关系正在被打破。Google DeepMind在2023-2025年间发表的一系列工作——从GraphCast到GenCast——展示了一条清晰的技术演进路径：逐步消除AI气象模型对传统气象基础设施的依赖。这条路径的逻辑终点，是一个能够直接摄入卫星原始辐射观测数据、绕过传统数据同化环节的端到端AI预报系统。DeepMind尚未正式发布这样一个完整的端到端系统，但其公开论文中的技术信号——包括GenCast论文中对”end-to-end observation-to-forecast”方向的明确讨论，以及DeepMind在卫星数据处理领域的持续投入——表明这正是其下一步的战略方向。

本文的核心论点不依赖于某个特定产品的发布时间，而是基于一个已经可以观察到的技术趋势：AI模型正在系统性地替代传统气象科学管道中的每一个环节，而Google DeepMind在这条路径上走得最远。 如果这条技术路线成立，全球气象预报的价值链将发生根本性重构——ECMWF和NOAA不再是不可绕过的”数据咽喉”，而Google将成为全球天气预报基础设施的实际控制者。

1. 数据同化：气象科学皇冠上最昂贵的宝石

要理解这条技术路径的颠覆性，首先需要理解它试图绕过什么。

数据同化（Data Assimilation）是现代数值天气预报的核心技术瓶颈。它的任务是：将来自不同传感器、不同时间、不同空间分辨率、不同物理量的海量观测数据，融合成一个在物理上自洽的、覆盖全球大气的3维状态场。这个状态场就是预报模型的”初始条件”——天气预报的起点。

这项工作的难度远超外行想象。一颗极轨气象卫星（如NOAA的JPSS系列或欧洲的MetOp系列）上搭载的红外探测器测量的不是”温度”，而是大气顶层向外发射的红外辐射亮温。要从这个辐射信号反演出大气在不同高度层的温度、湿度廓线，需要辐射传输模型（Radiative Transfer Model）作为”观测算子”，将模型状态空间映射到观测空间。这个过程涉及大气吸收光谱学、云和气溶胶的散射特性、地表发射率数据库等多个学科的知识积累。

ECMWF的4D-Var系统是全球公认最先进的数据同化方案。根据ECMWF的官方技术文档（IFS Documentation Cycle 49r1, 2024），该系统在1个12小时的同化窗口内，处理来自包括AMSU-A、IASI、CrIS、ATMS等在内的数十种卫星仪器的观测数据，加上地面站、探空气球、飞机报告等常规观测，每个同化循环处理的观测数据量达到数千万至上亿条量级。整个过程消耗的计算资源与预报模型本身相当——根据Bauer et al. (2015)在Nature上发表的NWP发展综述，全球气象预报的约一半计算成本花在了”搞清楚现在的天气是什么样”上，另一半才花在”预测未来的天气”上。

ECMWF为这套系统投入了超过40年的持续开发。NOAA的GFS系统使用的是计算成本更低但精度稍逊的EnKF（Ensemble Kalman Filter）方案，同样凝聚了数十年的技术积累。

端到端AI气象模型的核心主张是：一个足够大的神经网络，如果直接在卫星原始观测数据和后续天气演变之间建立端到端的映射关系，可以隐式地学会数据同化的全部功能——无需显式的辐射传输模型，无需手工编写的质量控制规则，无需4D-Var的伴随模型和最小化算法。

2. 从GraphCast到GenCast：DeepMind气象AI的技术演进路径

Google DeepMind在气象AI领域的布局经历了清晰的阶段性演进，每一步都在消除对传统气象基础设施的一层依赖。

第1阶段：GraphCast（2023年，Science正式发表）。 GraphCast使用图神经网络（GNN）架构，以ECMWF ERA5再分析数据作为训练集，以ECMWF HRES的分析场作为输入初始条件，生成10天的全球天气预报。根据Lam et al. (2023)发表在Science上的论文，GraphCast在1380个验证目标中的90%以上超过了ECMWF HRES的确定性预报精度，包括500hPa位势高度、850hPa温度等关键变量。其推理时间不到1分钟（在单块TPU v4上），而ECMWF HRES的对应预报需要在超级计算机上运行约1小时。但GraphCast有一个根本性的依赖：它需要ECMWF提供初始场。没有ECMWF的分析场，GraphCast就是一个无法启动的引擎。

第2阶段：GenCast（预印本2024年流通，2025年1月正式发表于Nature 637）。 DeepMind将扩散模型（Diffusion Model）引入气象预报，实现了概率性集合预报。根据Price et al. (2025)的论文，GenCast生成的不是单一确定性预报，而是一组概率样本（论文中使用50个集合成员），可以用于估计预报不确定性。GenCast在97.2%的验证目标上超过了ECMWF的ENS集合预报系统（基于2019年的评估数据），在热带气旋路径预报上展现了显著优势——其路径误差在3-5天预报时效上比ECMWF ENS低约10-15%。但GenCast仍然依赖ECMWF的初始场。

正在浮现的第3阶段：端到端卫星数据摄入。 GenCast论文的讨论部分明确提到了”end-to-end”方向的可能性。与此同时，2024年发表的多项研究——包括Kochkov et al. (2024)在Nature上发表的NeuralGCM（由Google Research开发），以及多个研究团队在卫星辐射数据直接同化方面的探索——表明端到端卫星数据摄入在技术上正在变得可行。DeepMind在Google Earth Engine平台上积累的大规模卫星数据处理能力，以及其在Transformer架构（Vaswani et al., 2017, Google Brain团队原创）上的深厚技术储备，使其成为最有可能率先实现这一突破的机构。

这3个阶段的演进逻辑非常清晰：逐步消除对传统气象基础设施的依赖。 GraphCast证明了AI可以替代数值预报模型的积分过程；GenCast证明了AI可以替代集合预报的蒙特卡洛采样过程；下一步是证明AI可以替代数据同化过程。如果这3步全部成立，那么从卫星原始数据到最终天气预报的整条链路，都可以由一个端到端的神经网络完成。

3. 技术架构的深层含义：为什么”端到端”如此重要

直接摄入卫星原始数据的技术选择，不仅仅是工程上的简化。它有3层深远的技术含义。

第1层：消除信息损失。 传统数据同化是一个有损压缩过程。卫星原始辐射数据包含极其丰富的信息——不同波段的辐射亮温携带了大气在不同高度层的温度、湿度、臭氧浓度、云顶高度、云相态、地表温度等多维信息。但在传统数据同化中，这些信息首先要通过辐射传输模型被”翻译”成模型变量空间中的等效观测，然后通过统计最优化与模型背景场融合。这个过程中，辐射传输模型的不完美、观测误差协方差矩阵的简化假设、背景误差协方差的参数化等环节，都会导致信息损失。一个端到端的神经网络理论上可以直接从原始辐射数据中提取与预报相关的全部信息，而不受传统管道中各种简化假设的限制。

第2层：消除系统性偏差的传播。 传统NWP系统中存在一个被业内称为”模型偏差-同化偏差耦合”的老问题。数据同化系统使用NWP模型的短期预报作为”背景场”（first guess），而NWP模型本身存在系统性偏差（如对流参数化方案的不完美导致热带降水的系统性偏差）。这些模型偏差会”污染”同化后的分析场，而带偏差的分析场又作为初始条件输入模型，形成正反馈循环。ECMWF为解决这个问题投入了大量工程努力（如VarBC——变分偏差校正），但问题从未完全消除。端到端架构从根本上绕过了这个耦合问题——它不使用NWP模型的背景场，因此不存在模型偏差向初始场传播的通道。

第3层：计算效率的数量级提升。 基于GraphCast和GenCast的先例——它们的推理成本比对应的NWP过程低2-3个数量级（GraphCast在单块TPU v4上不到1分钟 vs. ECMWF HRES约1小时超算运行时间）——可以合理推断端到端AI系统同样具有显著的计算成本优势。这意味着更高频次的预报更新成为可能。传统NWP系统每天只能运行2-4次全球预报循环，而一个计算成本极低的AI系统理论上可以在每颗卫星完成1次扫描后立即更新预报——实现接近实时的”滚动预报”。

4. 对立视角：端到端方法的根本性质疑

然而，端到端方法面临来自传统气象学界的严肃质疑，这些质疑并非出于保守主义，而是基于深层的科学和工程考量。

质疑1：物理一致性问题。 传统数据同化的一个关键功能是确保分析场在物理上是自洽的——温度场、风场、气压场之间满足热力学和动力学约束（如地转平衡、静力平衡）。一个纯数据驱动的神经网络是否能隐式地学会这些物理约束？已有研究给出了令人警惕的证据：Ben-Bouallegue et al. (2024)在Bulletin of the American Meteorological Society上发表的AI气象模型运营评估指出，现有AI气象模型在某些情况下会产生物理上不合理的预测结果，如负的比湿度值或不守恒的总能量。这在极端事件（如快速增强的飓风、突发性平流层增温等）中可能导致灾难性的预报失败。

质疑2：分布外泛化能力。 端到端模型的训练数据覆盖的是历史上已经发生过的天气事件。但气候变化正在将大气系统推向历史分布之外——更强的热浪、更极端的降水、前所未见的复合极端事件。根据WMO《2024年全球气候状况》报告，2024年全球平均温度比工业化前水平高出约1.55°C，多项极端天气记录被打破。传统NWP系统基于物理方程，理论上对分布外事件具有一定的外推能力。一个端到端的AI模型在面对训练数据分布之外的极端事件时，其行为是不可预测的。

质疑3：可解释性和可审计性。 天气预报是一项关系到公共安全的服务。当AI模型发出一个飓风预警时，预报员需要能够理解这个预警的依据——模型”看到了”什么信号？它对哪些观测数据最敏感？传统数据同化系统的每一步都可以被审计和诊断。一个端到端的神经网络则是一个黑箱。这不仅是技术问题，更是监管和公共信任问题。

我的判断： 这些质疑是合理的，但它们不构成对端到端技术路线的否定。原因有3：

第1，物理一致性可以通过在损失函数中加入物理约束项（physics-informed loss）来部分解决。Kochkov et al. (2024)的NeuralGCM已经展示了将物理约束嵌入神经网络架构的可行性——该模型在保持AI推理速度优势的同时，通过与物理模型的混合架构实现了更好的物理一致性。

第2，分布外泛化问题对传统NWP系统同样存在——参数化方案在极端条件下的表现同样不可靠。Willard et al. (2022)在ACM Computing Surveys上的综述指出，这不是AI特有的问题，而是所有预报系统共同面临的挑战。

第3，可解释性问题在实践中可能没有理论上那么严重。现代预报员已经习惯了”多模型集合”的工作方式——他们同时参考ECMWF、GFS、UKMO等多个模型的输出，通过模型间的一致性和差异来形成判断。AI模型可以作为这个集合中的一个成员，而不是唯一的预报来源。

真正值得关注的不是这些技术质疑本身，而是它们背后的制度性问题：谁来验证一个端到端AI气象模型的可靠性？ 传统NWP系统的验证框架是由WMO和各国气象机构共同建立的，有成熟的评分标准（如RMSE、ACC、Brier Skill Score等）和独立的验证流程。AI气象模型的验证是否应该由开发公司自己完成？还是需要一个独立的第3方？Ben-Bouallegue et al. (2024)的论文正是ECMWF对这一问题的初步回应——他们在运营环境中对多个AI气象模型进行了独立评估，发现AI模型在中期预报（3-7天）上表现优异，但在短期预报（0-24小时）和极端事件预报上仍有明显短板。

5. 传统气象机构的角色重构：从”不可替代”到”可选项”

让我们直面一个不舒服的问题：如果端到端AI气象预报的技术路线成功，ECMWF和NOAA的角色会变成什么？

传统角色： 在过去50年中，ECMWF和NOAA是全球天气预报价值链的绝对核心。它们的角色包括：（1）运营全球观测网络（卫星、地面站等）；（2）运行数据同化系统生成全球分析场；（3）运行NWP模型生成预报产品；（4）向下游用户（各国气象局、商业天气公司、航空公司等）分发数据。

AI的冲击点： 端到端AI模型直接威胁的是第（2）和第（3）个角色。如果一个AI模型可以直接从卫星原始数据生成预报，那么数据同化和NWP模型运行这两个环节就变得不再必要。ECMWF和NOAA最核心的技术资产——4D-Var系统和IFS/GFS模型——的价值将被大幅削弱。

不可替代的部分： 但第（1）个角色——全球观测网络的运营——短期内无法被替代。气象卫星的研发、发射和运营是主权国家行为，需要数十亿美元的投资和数十年的规划周期。NOAA的GOES-T卫星（2022年发射，造价约29亿美元）和JPSS-2卫星（2022年发射）、EUMETSAT的Meteosat Third Generation（MTG-I1于2022年12月发射），是全球气象观测的骨干。Google不可能自己发射气象卫星。

这意味着一个微妙的权力重构：传统气象机构将从”数据处理中心”退化为”数据采集站”。 它们仍然控制着卫星和观测网络，但数据的”增值处理”——从原始观测到可用预报的转化——将由AI模型完成。这类似于电信行业中”管道化”（dumb pipe）的故事：电信运营商投资建设了网络基础设施，但增值服务的利润被OTT玩家拿走了。

反驳视角： ECMWF并非坐以待毙。ECMWF自身也在积极拥抱AI——其AIFS（Artificial Intelligence/Integrated Forecasting System）项目已经取得实质性进展。根据Lang et al. (2024)发表的论文，AIFS在多个预报指标上已经达到或超过了ECMWF传统HRES模型的精度，并且已经被整合到ECMWF的运营预报流程中进行实时测试。ECMWF的优势在于：它拥有全球最完整的气象数据档案（ERA5再分析数据集覆盖1940年至今，是几乎所有AI气象模型的训练数据来源），它拥有全球最大的气象科学家团队，它拥有与各国气象局的制度性合作关系。这些”软实力”不是Google可以轻易复制的。

我的判断： ECMWF的制度性优势在短期（3-5年）内仍然重要，但在长期（10年以上）可能被侵蚀。关键变量是：AI气象模型的训练数据是否会从再分析数据转向卫星原始数据。 如果是，那么ECMWF作为ERA5提供者的独特价值将下降——因为卫星原始数据可以直接从卫星运营机构（EUMETSAT、NOAA NESDIS）获取，不需要ECMWF作为中间人。DeepMind的技术路径正是在这个方向上推进。

6. Google的战略意图：天气预报作为”全线产品嵌入”的特洛伊木马

DeepMind的气象AI研究不是一个孤立的学术项目。它是Google将AI科学研究成果直接转化为产品竞争力的战略的一部分。

Google已经将天气预报能力嵌入了其多条产品线：Google Search的天气卡片、Google Maps的天气图层、Google Flights的航班延误预测、Android的天气Widget、Google Cloud的天气API。这些产品触达全球数十亿用户。当AI气象预报能力被注入这些产品时，Google在天气信息领域的竞争优势将变得几乎不可逾越。

这里有一个关键的商业逻辑需要拆解：天气预报本身不是一个大生意，但它是一个巨大的”数据-注意力-广告”漏斗的入口。

根据ECMWF在其公开年报中的估计，全球商业天气预报服务市场每年约为数十亿美元规模（ECMWF Annual Report 2024）。这个数字相对于Google母公司Alphabet在2024年全年约3500亿美元的总收入（其中广告收入约2650亿美元，据Alphabet 2024年Q4财报）来说微不足道。但天气是全球搜索量最高的查询类别之一——根据Google Trends的长期数据，”weather”常年位居全球搜索热词前列。每天有数亿人在Google上搜索天气。如果Google能够提供”最准确的天气预报”，这将强化用户对Google Search的依赖，增加用户在Google生态系统中的停留时间，最终转化为更多的广告收入。

更深一层：天气数据是位置智能（Location Intelligence）的核心组件。Google Maps的导航推荐、Google Ads的本地广告投放、Google Cloud的供应链优化服务，都可以从更精准的天气预报中获益。一个能够提供”未来6小时、分钟级、街道级”天气预报的系统，对零售、物流、农业、能源等行业的商业价值是巨大的。

这就是为什么Google愿意在气象AI上投入顶级研究资源：天气预报是Google”AI科学研究→产品竞争力→商业变现”飞轮的完美案例。

7. 更大的图景：AI公司占据”全球科学基础设施”的路径预演

DeepMind气象AI的故事不只是关于天气预报。它是AI公司系统性地占据全球科学基础设施的路径预演。

让我们看看DeepMind在过去5年中做了什么：

  • 蛋白质结构预测： AlphaFold 2（2020年，Nature）和AlphaFold 3（2024年，Nature）彻底改变了结构生物学。根据Jumper et al. (2021)的论文，AlphaFold 2在CASP14竞赛中达到了实验精度水平的结构预测能力。AlphaFold蛋白质结构数据库（由DeepMind与EMBL-EBI合作运营）已包含超过2亿个预测结构，成为全球生物学研究的基础设施。需要澄清的是，AlphaFold从氨基酸序列预测蛋白质3维结构，而非直接从实验原始数据（如X射线衍射图谱或冷冻电镜密度图）解析结构。因此，AlphaFold替代的是”从序列到结构的预测”环节，而非实验结构解析本身。这与端到端AI气象模型替代数据同化的逻辑有相似之处——都是用AI替代传统科学管道中计算密集的”翻译”环节——但并非完全同构。

  • 材料科学： GNoME（Graph Networks for Materials Exploration）于2023年发表在Nature上（Merchant et al., 2023）。根据该论文，GNoME预测了约220万种新的稳定晶体结构。此前通过实验和计算方法发现的已知稳定无机晶体约为48,000种（来自ICSD数据库），因此GNoME的发现量约为此前已知数量的46倍。这些预测数据已经被整合到Materials Project等公共数据库中。

  • 核聚变等离子体控制： DeepMind与EPFL合作，使用强化学习控制托卡马克装置中的等离子体形状（Degrave et al., 2022, Nature）。

  • 天气预报： GraphCast → GenCast → 端到端方向。

这些项目有一个共同的模式：DeepMind选择那些（1）依赖大规模计算的、（2）有明确基准可以衡量进步的、（3）传统方法已经积累了大量训练数据的科学问题，用AI模型替代传统科学管道中最计算密集的环节。

这个模式的战略含义是深远的。当AI模型成为某个科学领域的”标准工具”时，控制这个模型的公司就获得了对该领域的基础设施级影响力。AlphaFold的数据库由Google DeepMind运营；AI气象预报由Google的基础设施生成。全球的生物学家和气象学家在不知不觉中，将自己的工作流程绑定在了Google的技术栈上。

这不是阴谋论，这是平台经济的标准逻辑。 正如AWS通过提供云计算基础设施获得了对全球软件行业的基础设施级影响力一样，Google DeepMind正在通过提供AI科学工具获得对全球科学研究的基础设施级影响力。

大多数人没有看到的第3层洞察是这样的： 传统上，科学基础设施（如粒子加速器、气象卫星、基因组数据库）由公共机构运营，其产出被视为公共产品。AI公司正在创建一种新型的”科学基础设施”——不是硬件，而是软件和模型——它们在功能上替代了公共基础设施，但在治理上遵循私营企业的逻辑。这意味着科学研究的基础条件正在从”公共产品”向”平台服务”转变，而这种转变几乎没有引起科学政策界的充分关注。

8. 竞争格局：谁在追赶？

Google DeepMind并非气象AI领域的唯一玩家。

华为云盘古气象大模型（Pangu-Weather）： 华为在2023年发表于Nature的Pangu-Weather（Bi et al., 2023, Nature 619, 533-538）是第1个在中期天气预报精度上全面超越ECMWF HRES的AI模型。Pangu-Weather使用3D Swin Transformer架构，同样依赖ERA5再分析数据进行训练和ECMWF分析场作为输入。截至2025年中，暂无公开信息表明华为已经开发了端到端卫星数据摄入能力。

NVIDIA的FourCastNet和Earth-2平台： NVIDIA开发的FourCastNet（Pathak et al., 2022）是早期AI气象模型之一，使用Adaptive Fourier Neural Operator（AFNO）架构。NVIDIA后续的CorrDiff模型专注于高分辨率降尺度。NVIDIA的策略更偏向于提供AI气象模型的基础设施（Earth-2平台），而非直接运营预报服务。

Microsoft的Aurora： Microsoft Research在2024年发表的Aurora模型（Bodnar et al., 2024）展示了在多种天气和气候预测任务上的强大能力。Aurora的一个特点是它使用了跨任务预训练（pretrained on diverse Earth system data），试图构建一个通用的地球系统基础模型。

ECMWF的AIFS： 如前所述，ECMWF自身的AIFS项目已经取得实质性进展（Lang et al., 2024），其独特优势在于可以直接接入ECMWF的运营数据管道。

关键差异化因素： 在这些竞争者中，Google DeepMind的技术路径最明确地指向”绕过传统数据同化、直接摄入卫星原始数据”的方向。Google在这方面的结构性优势包括：Google Earth Engine是全球最大的地球观测数据处理平台之一（截至2024年，其数据目录包含超过80PB的地球观测数据）；Transformer架构由Google Brain团队于2017年发明（Vaswani et al., “Attention Is All You Need”）；Google拥有全球最大规模的TPU计算集群用于模型训练。这些优势叠加在一起，使得Google在端到端AI气象预报的竞赛中占据了有利位置。

9. 卫星数据的地缘政治维度

端到端AI气象模型直接摄入卫星原始数据的技术路线，还引入了一个通常被技术分析忽略的维度：卫星数据的地缘政治。

全球气象卫星观测网络由少数几个国家/组织运营：美国（NOAA的GOES和JPSS系列）、欧洲（EUMETSAT的Meteosat和MetOp系列）、中国（CMA的风云系列）、日本（JMA的Himawari系列）、韩国（KMA的GK系列）、印度（ISRO的INSAT系列）。这些卫星的数据在WMO框架下以”免费和无限制”原则共享——这一原则在2021年世界气象大会上通过的”统一数据政策”（Resolution 1, Cg-Ext(2021)）中得到了重申和强化。

但这个原则在地缘政治紧张时期并非不可动摇。如果端到端AI气象模型成为全球天气预报的关键基础设施，那么它对特定卫星数据的依赖就成为一个战略脆弱性。假设中美关系进一步恶化，中国限制风云卫星数据对Google的访问，AI模型在亚太地区的预报精度会受到多大影响？反过来，如果美国限制GOES和JPSS数据对中国AI气象模型的访问，华为的盘古气象模型又会受到什么影响？

更深层的问题是：当天气预报从”国际公共产品”变成”AI公司的专有能力”时，全球气象数据共享的政治基础是否还能维持？ WMO的数据共享原则建立在一个隐含假设之上——所有国家都需要彼此的观测数据来运行自己的数值天气预报模型，因此数据共享是互利的。但如果某家公司的AI模型能够仅凭部分卫星数据就生成高质量预报，那么数据共享的互利性就被打破了。拥有最强AI模型的一方可以从数据共享中获得不对称的收益，而数据提供方的议价能力则被削弱。

这种动态可能导致两种截然相反的结果：一种是各国加速开发自己的AI气象能力以减少对外部依赖（”气象主权”），另一种是各国更加依赖少数几个AI气象平台，形成事实上的”气象基础设施垄断”。目前的趋势似乎两者兼有——中国、欧洲都在加速自主AI气象模型的开发，但同时，全球大量中小国家的气象机构根本没有能力开发自己的AI模型，它们将不可避免地成为Google、华为或其他AI气象平台的用户。

10. 局限性与开放问题

诚实的技术分析必须指出当前AI气象预报的局限性和尚未回答的问题。

极端事件预报能力尚未充分验证。 GenCast的论文展示了在热带气旋路径预测上的改进，但对于其他类型的极端事件——如中尺度对流系统（MCS）、大气河流（atmospheric river）、突发性暴风雪——的预报能力尚未系统评估。Ben-Bouallegue et al. (2024)的独立评估发现，AI气象模型在极端事件的尾部分布上的可靠性仍然不足。极端事件的统计稀缺性意味着训练数据中的样本极少，这是所有数据驱动模型的根本挑战。

气候变化适应性。 所有基于历史数据训练的AI模型都面临一个根本问题：未来的气候可能与训练数据所代表的历史气候显著不同。传统的物理模型在这方面具有理论优势——因为物理定律不会随气候变化而改变——但实际上，传统模型中的参数化方案同样依赖于历史数据的校准。Kochkov et al. (2024)的NeuralGCM通过将物理约束嵌入神经网络架构，提供了一条可能的解决路径，但这个问题远未解决。

端到端卫星摄入的鲁棒性。 直接摄入卫星原始数据的能力虽然是核心创新方向，但也引入了新的脆弱性。卫星仪器会老化、校准会漂移、新卫星会替换旧卫星。传统的数据同化系统通过精心设计的质量控制和偏差校正流程来处理这些问题。端到端AI模型如何应对卫星仪器的长期变化？当一颗关键卫星退役、新卫星接替时，模型是否需要重新训练？这些运营层面的问题在学术论文中通常不会讨论，但在实际部署中至关重要。

11. 结论：我们正在见证什么？

从技术层面看， DeepMind从GraphCast到GenCast的演进，以及其明确指向端到端卫星数据摄入的技术路径，代表了AI气象预报从”后处理工具”向”端到端系统”演进的里程碑。这不仅仅是精度上的增量改进，而是预报范式的根本性转变。

从产业层面看， 这代表了Google DeepMind在”AI for Science”战略中的又一次精准出击。通过将天气预报的关键能力从公共机构转移到自己的技术栈上，Google正在构建一个新的基础设施垄断。这个垄断不是基于市场操纵或反竞争行为，而是基于纯粹的技术优势——这使得它在政治上更难以挑战。

从地缘政治层面看， 端到端AI气象预报加速了天气预报从”国际公共产品”向”战略技术资产”的转变。卫星数据的获取、AI模型的控制、预报能力的分配——这些都正在成为大国技术竞争的新维度。

从科学层面看， 这提出了一个深刻的认识论问题：当一个我们无法完全理解的AI模型比我们最好的物理模型更准确时，我们对”理解天气”这件事的定义是否需要改变？传统气象学的目标不仅仅是预测天气，还包括理解大气的物理过程。AI模型可以做到前者，但在后者上几乎无能为力。如果预测精度成为唯一的评判标准，那么气象学作为一门理解自然的科学，其地位将发生根本性的动摇。

对读者而言，这意味着什么？ 如果你是气象从业者，你的核心技能正在从”运行和调试物理模型”转向”评估和集成AI模型输出”。如果你是科技政策制定者，你需要开始思考：当关键的公共科学基础设施被私营AI公司的模型功能性替代时，公共利益如何保障？如果你是普通用户，你手机上的天气App在未来几年内可能会变得显著更准确——但你可能不会注意到，这个准确性的来源已经从一个国际公共机构悄然转移到了一家广告公司的服务器上。

我们正在见证的，不仅仅是天气预报方式的改变，而是人类认识和预测自然世界的方式的根本性重组。这个重组的技术驱动力是深度学习，经济驱动力是平台垄断，政治驱动力是大国竞争。DeepMind的气象AI路径只是这个宏大叙事中的一个章节——但它是关键的一章。

参考资料

  1. Learning skillful medium-range global weather forecasting — Lam, R. et al., Science, 2023-11-14 (GraphCast)

  2. Probabilistic weather forecasting with machine learning — Price, I. et al., Nature 637, 84–90, 2025-01-22 (GenCast)

  3. Accurate medium-range global weather forecasting with 3D neural networks — Bi, K. et al., Nature 619, 533–538, 2023-07-05 (Pangu-Weather)

  4. Neural general circulation models for weather and climate — Kochkov, D. et al., Nature 632, 1060–1066, 2024-07-22 (NeuralGCM)

  5. The quiet revolution of numerical weather prediction — Bauer, P. et al., Nature 525, 47–55, 2015-09-02

  6. The rise of data-driven weather forecasting — Ben-Bouallegue, Z. et al., Bulletin of the American Meteorological Society 105(6), E864–E883, 2024

  7. AIFS – ECMWF’s data-driven forecasting system — Lang, S. et al., arXiv preprint, 2024-06-03

  8. Highly accurate protein structure prediction with AlphaFold — Jumper, J. et al., Nature 596, 583–589, 2021-07-15

  9. Scaling deep learning for materials discovery — Merchant, A. et al., Nature 624, 80–85, 2023-11-29 (GNoME)

  10. The ERA5 global reanalysis — Hersbach, H. et al., Quarterly Journal of the Royal Meteorological Society 146(730), 1999–2049, 2020

  11. Unified Data Policy for the International Exchange of Earth System Data — WMO Resolution 1 (Cg-Ext(2021)), 2021

  12. Aurora: A Foundation Model of the Atmosphere — Bodnar, C. et al., arXiv preprint, 2024-05-20