马雷鸣：现有AI气象大模型的特点：一是依靠海量数据驱动。目前的气象大模型都是基于海量数据驱动的深度学习算法，一般需要数十年的大量历史数据样本训练，海量数据依赖是这些大模型的主要特点，而数据质量也在一定程度上决定了大模型的效果。

二是需要强大算力支撑。尽管模型预测所需要的计算资源和时间不长，但大模型的反复训练调试离不开强大的算力支持。例如，盘古大模型用192块V100显卡训练需要16天。三是踩着“巨人”肩膀。大模型在研发中，常基于先进数值预报等技术产品应用。谢凌曦：AI模型的特点主要包括两方面。第一，大部分AI模型不需要满足物理方程的约束，而是通过数据驱动的方式进行训练。这使得AI方法容易从大数据中获取知识，但同时可解释性会欠缺。第二，相较于传统数值仿真方法，AI方法的推理速度非常快，在气象预报上往往能够提速3到4个数量级，训练完成后进入预测阶段不再需要大规模计算集群。匡秋明：目前在气象领域取得突破的AI模型包括从卫星、雷达图像中识别天气现象等智能感知模型，AI短临、短期、中期、延伸期、气候预测等智能预报模型，ChatGPT等智慧问答模型。近期大家最关注的AI气象大模型，其主要的特点为：模型迭代改进速度快；取得了与欧洲中心高分辨率模式相仿或部分超越的天气预报性能；预报生成速度快，可以快速完成全球0到15天天气预报。穆斌：目前面世的AI气象大模型具备超高参数量、超大样本集、超长训练轮次等特点。我认为这些模型“惊人的预报技巧”可归功于以下两点：一是规避了使用循环神经网络构建AI模型，从而会累积大量迭代误差的常规方法，采用“自回归”的方式进行预测，即，利用输入历史资料中潜在的时空特征，随即直接推断下一步或者后一时间序列的发展。由于这种方式无需约束输入数据与预测结果之间的时序连贯性，可灵活调整时间间隔，极大提升了超长时效的预报技巧。二是近10年来深度学习模型架构的探索与发展。AI模型可以跟进深度学习社区最先进、最前沿的研究，利用最先进的组件、模块、架构甚至调参经验，尽可能地提升气象预报技巧；但同时因为大部分人员不是专业计算机科学出身，开发气象AI专用模型架构的自主能力较差，只能利用现有的成果。但从最近的发展趋势来看，越来越多AI专家投身气象领域并积极开展深入的交叉合作。

02

AI气象大模型VS数值天气预报

黄伟：数值天气预报通过对海量多源观测资料的处理和资料同化，形成高精度格点分析场，在此基础上利用数值模式对未来天气的演变进行预报。经过近百年发展，已形成一套完整的工作流。目前发布的AI气象大模型，其输入的是数值预报提供的格点再分析情况，输出的是相同格点、相同要素的预报情况，本质上是，“在数值天气预报建立的数据空间下的机器学习”，因而，在预报上存在一些局限性。

同时，目前的AI气象大模型都缺乏长期验证和应用，结果高度依赖再分析数据而非基于真实物理过程，也未涉及关键的资料同化过程，存在对极端天气估计偏弱等问题。因此，目前的气象大模型还不能取代数值预报的全部工作流。

此外，地球系统因其非线性特征而极其复杂，初值信息远超目前气象大模型学习的0.25°分辨率格点资料，目前的AI气象大模型，还不能满足如此海量的观测数据进入气象预报。

但同时，AI提供了相比传统数值模式更高效、更智能化的工作流：从多源观测资料的处理，再到资料同化算法的改进，最后到对非线性复杂问题的处理和极端事件的预报，都显示出巨大潜力。在可见的未来，AI气象预报方法和传统数值天气预报有机结合，形成两者充分融合的预报系统，仍是短期内数值预报取得突破最有可能的方向。

穆斌：数值模式遵守气象动力理论，具备严谨的数学表达，并依托偏微分方程进行时间积分，以流体力学编程技巧实现，具备超高可信度。

相反地，尽管“黑盒”AI模型的预报技巧有所突破，但其内部的决策机制往往是未知的，也意味着气象学家无法得知其做出预报的动力依据，可信度大打折扣。同时，虽然“更准确的预报”是气象研究的第一宗旨，但能够明确潜在的动力机制对于农业生产、防灾减灾等更为关键。因此，我认为AI模型不能，至少在短时间内无法取代数值预报模式的地位。

李昊：我认为AI气象大模型和数值预报不是“取代”而是相辅相成的关系。数值天气预报更符合物理规律，同时不需要大量训练数据。大模型推理速度快、计算资源需求小，同时随着训练数据增多能持续提升效果。随着技术进一步发展，两者会共同促进天气预报的发展。

梁钊明：我认为AI模型在短期内无法取代数值预报。首先，现有AI气象大模型的训练、预测都需要基于数值模式生成的再分析数据“喂养”，也受制于“喂养”大模型的数据分辨率，目前发布的气象大模型基本为6小时、0.25°时空分辨率外推，还达不到逐小时、3千米甚至重点地区1千米的高时空分辨率预报。

再有，现有的AI气象大模型可预报的天气现象以及气象要素较少，如公众日常关注的降水、地面大风等要素还未曾做出预报和开展有效评估。

但目前气象大模型针对大尺度环流、在长时间尺度的预报优势较为明显，普遍能达到10到15天，而在这一时段，数值模式的预报误差普遍偏大。

唐伟：现在还看不到AI模型能完全替代数值预报的迹象。气象大模型现在仍有3点局限性：数据集不够长、过拟合问题、可解释性。

目前发布的这些AI气象大模型都依赖于传统物理模型生成的数据集和初始场，才取得了比数值预报更高的预报准确率。也就是说，这些模型不是真正的数据驱动，而是站在“巨人的肩膀上”才看得更远。

03

AI在气象领域的应用前景如何？

穆斌：AI模型最显著的优势即为运行效率高。因此，除了构建纯数据驱动的AI气象模型外，也可使用AI组件替代动力数值模式中的耗时参数化方案，从效率、准确性等方面全方位升级数值模式。这种智能数值模式本身维持了原模式的动力框架，具备可解释性。

此外，可发挥AI模型高度非线性的优势，从现阶段积累的海量多模态气象资料样本中汲取经验，进一步提升数值模式的预报技巧。如构建AI资料同化方法，研发AI偏差订正与降尺度模块，发展融合AI模型与动力模式的集合预报系统等，尤其可以用在机理尚不明确的气象研究中。

图片来源：即时AI绘图

张晖：多模态是生成式人工智能输入和输出的重要表达形态。利用AI，文本、图片、音频、视频等信息有望在AI技术加持下，根据用户需求持续修正模型，输出各类形态的产品；即便是文本、图片、视频类的天气实况，也可及时投入改善预报模型，并秒级给出修正结果；气象服务也将更智慧，如随时保持与用户在线沟通，提供多模态的服务产品等。

唐伟：AI从气象观测、预报到服务都有很广的应用前景。观测，AI和物联网结合，实现社会化观测；预报，AI和物理模型混合建模；服务，如结合自然语言生成ChatGPT对话式的定制气象服务。总的来说，提质增效。

谢凌曦：AI方法速度很快，一旦应用到日常业务中，会大大加快气象预报系统的响应速度。此外，随着更多气象数据的公开共享，AI算法的能力还会进一步增强，甚至可以出现结合同化、预报、后处理等模块的端到端气象预报算法。

李昊：人工智能为气象领域提供了一个新的研究工具，气象领域的数据非常丰富，场景也多，特别适合人工智能这个新工具去发挥更大作用。

梁钊明：AI气象大模型可以弥补现在预报的一些短板。比如AI气象大模型生成未来天气预报的计算效率非常高，可大大缩短天气预报制作的时间。另一方面， AI可以用来求解描述大气运动的偏微分方程，或在一定的物理约束条件下，利用AI来更好地拟合这种物理关系，这样基于数学和物理基础推导出的结果，会更为合理，预报员用起来也会更有底气。

中国气象报社 出品

策划/统稿：谷星月

编辑：何长剑

鸣谢：武蓓蓓 郭曼如 王瑾 张艺博 赵宁

审核：段昊书