夜雨聆风从 GenCast、Aardvark 到 FuXi Weather，天气预报正在从超级计算走向数据驱动基础设施
一句话结论 AI天气预报不是简单把神经网络套在天气图上，而是在改写整个气象业务链条：观测、同化、全球预报、局地输出和极端天气风险评估，都在被机器学习重新组织。 |
正文
天气预报看起来是手机 App 上的一行文字：明天是否下雨，台风会不会登陆，周末能不能出行。但在这行文字背后，是全球最复杂的科学工程之一：气象卫星、地面站、雷达、浮标、飞机观测、数据同化、物理方程和超级计算机。
过去几十年，天气预报的主角是数值天气预报。现在，Nature 连续出现多篇 AI 天气预报论文，说明这条技术路线正在逼近业务化门槛。
一、GenCast：AI开始做“概率天气预报”
DeepMind 的 GenCast 论文发表在 Nature。它不是只给出一个确定性答案，而是生成 15 天全球集合预报。论文称，GenCast 在 0.25° 分辨率、12 小时间隔下，为 80 多个地表和大气变量生成 15 天预报，并可在约 8 分钟内完成。
更关键的是，论文把它与 ECMWF 的 ENS 集合预报系统比较，称 GenCast 在评估的 1320 个目标中有 97.2% 技能更高，并在极端天气、热带气旋路径和风电预测等方面表现更好。
这件事很重要，因为天气预报真正关心的不是“明天一定会怎样”，而是“不同情景发生的概率是多少”。台风、暴雨、热浪、电网调度和保险定价，都需要概率预报。
二、Aardvark：AI试图替代完整 NWP 流程
另一篇 Nature 论文提出 Aardvark Weather。它更激进：目标不是只替代传统数值天气预报中的某个求解器，而是用一个端到端数据驱动系统，从观测数据直接生成全球网格预报和本地站点预报。
论文称，Aardvark 可以在部署时不依赖传统 NWP 产品，并在多个变量和预报时效上超过一个业务 NWP 基线。它的意义不只是速度快，而是把原本复杂、昂贵、依赖大量专业模块的天气预报流程，压缩成一个更容易迭代的机器学习系统。
爆点表达 如果说传统天气预报像一座超级工厂，端到端 AI 天气模型就像把工厂压缩成一条可快速复制的智能流水线。 |
三、FuXi Weather：气象卫星数据被 AI 重新“吃进去”
Nature Communications 的 FuXi Weather 论文尤其适合中国读者。它强调机器学习系统对多颗气象卫星原始观测的同化能力，能够在 0.25° 分辨率下生成可靠的 10 天预报，并在地面观测稀疏区域表现出潜力。
论文提到，FuXi Weather 同化了来自风云三号 E 星、Metop-C、NOAA-20 等极轨气象卫星的原始亮温数据，以及 GNSS 掩星数据。它尝试把“卫星观测 -> 数据同化 -> 天气预报”这条传统链条，改造成机器学习可端到端优化的系统。
这说明气象卫星数据的价值正在被重新估价。过去，卫星主要是传统 NWP 系统的输入之一；未来，卫星可能成为 AI 天气模型最关键的数据燃料。
四、为什么这和商业航天有关？
气象卫星长期由国家机构主导，但 AI 天气预报会改变部分商业逻辑。谁能提供更高频、更高质量、更低延迟的观测数据，谁就能在 AI 预报链条里占据更重要的位置。
这可能推动三类机会：第一，更小型、更高重访的气象和微波遥感星座；第二，面向农业、电力、保险、航运、航空和应急部门的定制化预报模型；第三，卫星数据、再分析资料和地面观测融合的云端平台。
未来，气象服务可能不再只是“给所有人同一张天气图”，而是为不同用户生成不同风险指标：电网看风电和负荷，农场看霜冻和降雨，保险看灾害概率，航运看风浪窗口。
五、AI天气预报还有哪些硬问题？
AI天气模型并没有彻底取代物理。它们仍然依赖高质量历史数据、再分析资料、卫星观测和业务系统积累。极端事件、长期稳定性、物理一致性、可解释性和新仪器适配，都是需要继续研究的问题。
更重要的是，天气预报是高责任场景。模型不能只在平均指标上漂亮，还要在灾害边界条件下可靠。台风突然增强、局地暴雨、极端高温和强对流，恰恰是最难、也最需要准确预警的场景。
结尾
AI天气预报正在把气象科学带入一个新阶段。GenCast 说明 AI 可以做强概率集合预报；Aardvark 说明端到端模型可能重组完整流程；FuXi Weather 说明多卫星观测和机器学习同化正在靠近业务化。
对商业航天来说，这不是一个遥远的气象问题，而是一个数据基础设施问题。未来最值钱的，可能不只是卫星拍到了什么，而是卫星数据能否被 AI 快速吸收，并转化成对台风、暴雨、火灾、电力和农业有用的决策信号。
参考资料
[1] Price, I. et al. Probabilistic weather forecasting with machine learning. Nature 637, 84-90 (2025). DOI: https://doi.org/10.1038/s41586-024-08252-9
[2] Allen, A. et al. End-to-end data-driven weather prediction. Nature 641, 1172-1179 (2025). DOI: https://doi.org/10.1038/s41586-025-08897-0
[3] Sun, X. et al. A data-to-forecast machine learning system for global weather. Nature Communications 16, 6658 (2025). DOI: https://doi.org/10.1038/s41467-025-62024-1
