本以为AI预报天气还要等10年，没想到失算的竟是我们

本文来自微信公众号： 格致论道讲坛 ，作者：夏江江，原文标题：《本以为AI预报天气还要等10年，没想到失算的竟是我们 | 夏江江》2020年的时候，我预测做成这件事情需要10年，结果只过了3年就有人做出来了。

夏江江·中国科学院大气物理研究所格致校园第66期|2026年7月24日北京大家好，我是夏江江，来自中国科学院大气物理研究所。我演讲的主题是“当天气预报遇见AI”。题目里边有“天气预报”这四个字，那我们就首先了解一下传统的天气预报是怎样做出来的。

这张图比较简单，从图片来看，它的流程其实用两个箭头就连起来了，但是实际制作天气预报是一个非常庞大的工程。▲图源：Bauer et al.,ECMWF 2015-09,Nature那最开始是怎么做的呢？

首先要收集全世界的天气状况数据，包括风、温度、湿度、气压和降水等，再把这些数据放到一个超级计算机里边去。这个超级计算机里边有物理模型，也就是一些数学方程组，这些方程组就代表着天气演变的过程。

当你借助超级计算机去求解这些方程组时，就能得到未来的天气状况数据。听起来非常复杂，实际的情况也是一点都不简单。经过70多年的业务化，现在的天气预报这套技术体系已经非常成熟、完整、完善和稳定了，但是它还依然存在着几个问题，其中就有两个“老大难”的问题。

第一个问题就是它的准确率提升较为缓慢。大家看下图，这是2015年左右画的，它提升的速度在早些年比较快，但是在最后那些年非常慢。▲图源：Bauer et al.,ECMWF 2015 Nature第二个问题是它很贵。

造一台超级计算机大概要几个亿，几个“小目标”以上。而且我们造完了以后，它还需要运行维护，每运行一次就得维护一次，维护费可能就得几万几万地花掉，所以它的造价非常高。2015年Bauer等人发表的这篇论文就提出了这两个问题。

那我们怎么去解决呢？这篇文章里还有一句话很有意思，它说我们要提升它的准确率或者精度等方面，可能就需要未来一些尚未为人所知的技术。“尚未”也就是说，那个时候我们还不知道什么技术能改变它。

尚未为人所知的技术已完成：10%//////////到了2016年，大家都知道AI时代来了。AI时代最开始的标志性事件是AlphaGo击败了人类围棋棋手。这个时候出现的人工智能，就是刚才说的在2015年还“尚不为人所知的技术”。

那篇文章里没有提及人工智能，但是，人工智能在那个时候就已经开始发挥它的作用了。但它开始在我们天气预报或者说气象行业发挥作用的时间，比刚才说的2016年稍微晚了一年。在2017年，英国气象局信息学实验室提出，人工智能会给天气预报带来很多机会和可能性。

我做这件事情也是从2017年开始的，但是最开始，我不是一上来就去做什么全球天气预报大模型，因为那个工作量非常大，调研完了以后我们发现非常地难，也不知道从何入手。于是，我们就先从一些小的工作开始试水，比如说做一些温度重建的工作。

你看下图右边那个重建之后的结果就比左边的历史数据稍微高一些。它代表着什么呢？历史数据就代表着，原来我们老说全球变暖，是在全球的视角下。但我们这个重建之后的结果说明，在中亚的区域，全球变暖的程度比我们预想的还要更高一些。

▲图源：孟欣宁等，2020，干旱区研究我们还做了什么呢？我们拿小模型填补了下图圈圈中没有数据的那一部分。左边的是海洋，我们用卫星数据和人工智能技术填补了这个地方的雷达数据。雷达能探测强对流天气，也就是大家理解的一些灾害性天气。

我们补了其中一个盲区，这是又一个小工作。▲左：气象雷达右：AI卫星反演雷达图源：Yu et al.,2021我们还订正了小的天气预报，小的预报就比如对温度、风速去做一些预报，提升准确率，还有提供大风的预测数据的准确性。

这个时间段里我们做了不少这种小工作。除此之外，我们还有幸参与了2022年北京冬奥会的一些支撑工作，也算是做了一点小小的贡献。我们对此一直很开心，因为我们做的很多小的东西都发挥了作用，所以我们就继续开开心心地做自己的小模型。

与此同时，这个世界已经开始发生变化了。从刚才讲了2015到2017年，实际上从2018年起，你就会发现非常多的人开始做人工智能天气预报，而且是全球天气预报。从2018年到2020年，这件事呈现出三个特点。

第一，做这些工作的全是气象工作者。我为什么要强调这一点？难道不应该是气象工作者吗？除了他们，难道还应该是其他什么人吗？大家带着疑问往后，可能会对这一点有一个新的认识。第二，气象工作者在做天气预报时，主要是对单一的气象要素进行预报，只报一个，不会报太多，比如只报温度。

这样比较简单一些，如果把所有数据一起放进去，同时预报多种气象要素，那就太复杂了。第三，当时大家做的模型都比较小。这个时间发生了一起转折性的里程碑事件。在2020年，很多国家的气象工作者一起发布了一套数据集，就是机器学习或者人工智能的数据集。

它是开源的、标准的。也就是说，他们把这个数据集放到网上，所有人都可以下载这个数据，有明确的输入和输出。例如，你要做人工智能天气预报，那你就用他提供的数据来算，去用自己的模型做出结果。

那如何评估你的模型是好是坏呢？一测就知道，因为它还提供了一个标准化的评估方法。标准化的数据和标准化的评估方法，相当于建了一个公开公平的考场。如果你想做这件事情，那我们一起加入这个考场去考试吧。

这个时间点非常重要，从2020年起，有很多团队开始做这件事情了。当然，我们也跃跃欲试。于是我们试了一下，但做出来的结果特别不好。我们当时就分析了很多原因，以及以后可以优化的方向。▲图源：Weyn et al.,2020最后得到的结论是，如果我们想做这件事情，需要很大的投入，尤其是算力。

也就是说，做人工智能算法的时候，需要一些机器和计算资源，而我当时没有那么多算力资源，也就是现在大家都知道的人工智能显卡所提供的东西，我没有那么多卡。所以我们当时就做了一个判断，如果我们要把这件事情做好，那可能还需要十年左右的时间才会有突破性的进展。

因此，我们做完这个判断之后，还是继续开开心心地又去做小模型了。天气预报还能这样做？已完成：40%//////////时间来到2023年7月5日，一篇文章在我们这个行业掀起了非常大的影响力。

这篇介绍盘古气象大模型的文章是华为公司发表在《自然》（Nature）杂志上的。这个曲线代表的是误差，红色的是盘古模型的，它的误差比较小，效果比较好。这个结果不是说它在各个方面都做得很好，而是它在一些气象要素的预报上，效果超过了以前我们用了70多年的传统数值预报方法，让人们重新审视未来的天气预报可以怎样做。

所以它带来的影响是比较大的。▲图源：The rise of data-driven weather forecasting，2023.07，ECMWF本来我预期这件事情需要10年时间完成，然而只用了3年，很吓人。

更让人惊叹的是，这篇文章里有对台风路径的预报，它预报了台风会怎么走、走到哪去，以及台风的强度变化。图中是对2018年台风玉兔路径的预报。盘古气象大模型提前6天就准确地预测到了。黑线是实际的台风路径，红线是预测路径，可以看着红线就跟着黑线一直往西跑，预测路径非常精准。

▲图源：盘古气象大模型.,2023蓝线是我们最开始说到的传统数值天气预报，也是提前6天就做出来的，但是它在中间转向了，预测误差比较大。虽然过了2天后，也就是距离台风真正到来的4天前，它对预测结果做了修整。

但是大家都知道，台风预报的影响是非常大的，路径稍微差一点所带来的灾害状况就会差很多。提前6天和提前4天意味着什么呢？意味着盘古气象大模型能提前更多时间预报对的路径，这样就能避免更多灾害损失，这是一个比较震撼的结果。

除了盘古气象大模型，其实在那个时候还有别的大模型出现。不光是盘古气象大模型在做这件事情，还有伏羲、风乌这些模型，谷歌和英伟达都在做这件事情。它们也有三个特点。第一个特点跟刚才的相比，就是做这些工作的核心作者里没有多少是气象出身的。

第二个区别在于，他们做这件事情时结合了非常多气象要素。刚才我们说的是只报一个气象要素，比如只报温度，而现在是把所有气象要素全都“扔”进去。这跟气象出身的工作者在做这件事情时区别很大。

气象工作者是一个一个地“扔”，每一个做完后都是有根据的，我们希望从中找到一些原理支撑自己去做这件事情，所以要一点一点地攻克。但是对人工智能或计算机专家来说，他们要把气象要素全“扔”进去，把那套气象数据的输入和输出（Input Output）放在那，就不用管中间的过程是怎么样的了。

第三，他们借助大模型去解决这件事情。我估算他们这个模型比前面的模型大100倍到1000倍以上。他们没有讲究那么多一步一步的依据，没有稳扎稳打，而是把所有东西一块放进去。最后，他们做成了这件事情。

那我们看看它是不是解决了前面提到的那两个“老大难”的问题。准确率是不是有提升？还是说成本给降下来了呢？实际上，人工智能确实部分解决了这两个问题。首先是成本，以前做这件事情需要用到CPU超算，也就是超级计算机。

我们花的钱是以亿为单位的。但现在，做一个人工智能模型只需要几百万，再在这台机器里放进人工智能芯片GPU就可以了。第二个是运行时间，在超级计算机里，我的模型运行时间是小时级的。但现在，我用AI去做一个天气预报的模型，可能是秒级或者分钟级的。

它看似“碾压”了传统数值天气预报，但是我们不能这么想。因为从准确率上来讲，它只是部分的气象要素预测水平超过了传统的数值预报，比如在一些情况下，它的台风路径预报比传统数值的要好。但传统的数值天气预报依然是咱们的核心，我们现在每天看到的天气预报还是来自传统数值预报，大家手机里看到的都是，它一直以来都是更稳定、更可靠的。

大力出奇迹的AI时代已完成：70%//////////那么，人工智能是一个什么角色呢？应该是一个补充的角色，补充传统的数值预报。但是它的提升潜力会比较大，这就能让成本降低。以前，全球天气预报只能是国家级的机构来做，而现在，只要是大一点的公司，或者科研机构、高校，甚至一些小公司、小团队，更甚至说是一些有一定基础的学生个人，都可以来做这件事情。

这有好有坏，好处是参与的人和机构多了，它的发展会变得快一些。但是带来的挑战就是，辨别模型好坏需要花费更多精力。我们本来是做天气预报研究的，但是我们现在跟着这些大模型去学习他们的方法，做了全球的预报。

▲演天全球天气预报大模型图源：Li演天Searth Transformer,2026但我们不光是做大的，之前还做了一些小的，比如冰雹、降水、温度、雷达和做数据等等，我们做了非常多小模型。

我们构建了一个系统，把它们集成了起来。集成完之后，我们再把这个模型放到一个软件平台上，平台又把它部署到了一台笔记本上去运行。这台笔记本运行一个全球的气象预报大概需要2至3小时。我们讲了这么多，我觉得最酷的一点就在这里。

也就是说，现在全球的天气预报只需要一台普通的笔记本就可以运行。▲“演天”气象预报大模型应用平台图源Cheng et al.,2024我这台运行全球天气预报的笔记本5000元。这和以前不同，以前做一个全球的预报需要超级计算机。

超级计算机是什么概念呢？基本上一栋楼里都装着这些机器。大家如果去参观过的话，就会发现里面的机器时时刻刻都在跑，“嗡嗡嗡”的，很费电，还非常大。因为性能的限制，笔记本花费的运行时间上和以前的超级计算机会有差别，无法达到秒级和分钟级。

但2到3小时也就只是两部电影的时间，在这样的时间内就能把全球的天气预报做出来。这很有意思，对我来说，这是一个比较酷的事情。回到2020年，我说要做一些突破性的进展可能需要10年，所以那时候我们基本上就把这件事情搁置了。

我找到了一个“借口”或者“理由”，我们缺少算力。后来，这件事情的发生只用时3年。现在再回头看，如果当时我有足够多的算力，是不是能解决这个问题呢？前几年，我一直在想这件事情，也思考了一段时间，答案是不能。

因为我们有一个视角是一直扭不过去的。在早些年的时候，我们是工程的视角，我们一直想着，做这件事情需要一个要素一个要素地预报，稳扎稳打，每做一步都需要有物理的依据和支撑，要说得明白、讲得清楚道理，才能去做这件事情。

而那些人工智能科学家，他们看待这件事情可能就比较直接，只要把这些数据都拿过来，然后暴力地去求解，大力出奇迹，也能做得出来。而把所有要素放进去后，可能误打误撞就做成了一件什么事情呢？

因为所有要素都放进去了，气象要素之间是有相互影响、相互作用的，全放进去以后，效果自然就会变得更好。想来想去，我觉得可能再给我一次机会，给我这样的显卡或者给我这些计算资源，我应该也做不出来。

我认为这也是我们需要改进的地方。在人工智能时代下，如果我们想的太多，有的时候也会损失一些机会；反而如果你快速地去试错，说不定能得到更好的结果。这是我对这件事情的一个看法。但是，人工智能的天气预报就没有问题吗？

其实它有很多的问题，最致命的就是它学习的是数据之间的关系，不讲物理。比如大模型在做这件事的时候，有一个情况是水汽可能会在某一个区域、某一个时间点凭空产生，也可能会凭空地消失，这样的话，降水预报就不准。

那怎么解决这件事情呢？这就需要把物理规则加进来，比如把水汽守恒放进去对它进行约束，使得它不能乱来，让人工智能预报不能随机地生成水汽。这件事情需要气象学家和人工智能专家深度合作，我觉得单独去做还是比较困难。

当然，现在已经有很多国际以及国内的科学家在联合做这件事情，以后一定会有一个更深的、更好的结果。最后，2020年的时候，我预测做成这件事情需要10年，结果只过了3年就有人做出来了。人工智能时代发展太快了，远远超出我们的预期。

所以，当天气预报遇见AI，它的故事才刚刚开始。我们也不再为将来的发展情况预设一些时间点，因为以后它一定会发展得更好。谢谢各位！