2018 年，欧洲中期天气预报中心的一间会议室里，有人提了一个不太礼貌的问题：如果把过去四十年的观测数据喂给一个神经网络，让它直接学「现在的大气 → 十天后的天气」，我们还需要那些物理方程吗。这个问题在当时听起来像挑衅，因为它假设了物理可以被绕过。
五年后答案部分揭晓：2023 年，DeepMind 的 GraphCast 在 TPU 上用了不到一分钟，算完一份十天全球预报，在 1380 个指标里有 90% 优于中心当时最好的物理模式。六十年积累的数值模式，第一次在一个公开指标上被一个不问物理的模型超过。
这件事真正的分量，不在那一分钟，在它后面被改写的那三代人的工作。技术换代的成本，从来不在被替换的那一方，在还没入场的那一方。
六十秒，和六小时
先看清代价的对比。传统全球模式把大气切成网格，欧洲中心的业务模式水平分辨率是 9 公里，垂直 137 层，一次十天预报要在一台超算上跑几个小时，占掉成千上万个核心。这套流程的前提是「算力有限」，所有设计都为省算力服务。
GraphCast 的网格是 0.25 度，大约 28 公里。它不解方程，只做一件事：根据当前状态，预测六小时后的状态，然后把这一步的输出当成输入，滚四十次。它把「预报」这个动作，从求解物理变成了调用一个函数。
2024 年，同一组人发了 GenCast，把单一结果换成 50 个成员的集合，在 97% 的指标上超过了中心当时的集合预报。2025 年起，欧洲中心的 AIFS 分批进入业务运行。到 2025 年底，AI 预报已经不是论文，是值班表上的一个模式名。
这三步走完，行业里那句「AI 只是快，精度还不够」基本失效了。精度也已经不是问题，剩下的是另一个问题：谁来为它负责。
第一代人：调参数的人
物理模式里有一块最难写的东西，叫参数化。云怎么形成、雨滴怎么长大、湍流怎么在几公里的尺度上交换热量，这些过程的真实尺度远小于网格，只能用一个公式去近似。参数化不是物理，是把物理压缩成能塞进网格的经验。
一个边界层参数化方案，可能要一个人调十年。改一个系数，南美的降水变好，西太平洋的台风路径变差，两者不可兼得。这代人的全部手艺，是知道哪个系数可以动、动了以后哪里会坏。
他们的代码多是 Fortran，几十万行，注释里留着上一位作者的名字和年份。这些代码没有版本发布会，也没有用户。它们只在每天固定的两个时刻被调用，然后把结果交给下一个人。
AI 模型出现后，这代人的位置变得尴尬。模型不需要参数化，它从数据里直接学「这种情况通常演变成那种情况」。但模型学的是再分析数据——而再分析数据本身，是这些人的模式同化出来的。
这是一个循环依赖：AI 预报的师父，是物理模式；物理模式一旦停止维护，师父就不再更新。这不是技术问题，是编制问题——没人会为一个「只用来产生训练数据」的部门争取预算。
第二代人：值班的人
模式给出一个数，值班预报员要判断这个数该不该信。某个山谷的清晨大雾，模式年年报晚两小时，本地人知道要往前调；某条高速公路的风口，模式分辨率不够，看不出来。这类知识的形态是「我知道它什么时候会错」，而不是「我知道天气会怎样」。
这些知识不在任何论文里。它们在一个人的笔记本上，在他交接班时说的那几句话里。预报员的专业能力，长期表现为「对模式的系统性偏差的记忆」。
AI 模型进来之后，这种记忆的价值下降得很快。因为模型的偏差不是系统性的——它今天偏这边，明天偏那边，你没法用一个固定规则去修正。当误差从「稳定的偏」变成「随机的错」，经验就从资产变成了噪音。
更麻烦的是解释。物理模式可以告诉你「因为这里有强上升运动」，AI 模型只能给你一个数。一个说不出理由的正确答案，在会商桌上很难被采纳。所以这几年不少台里出现了一种奇怪的分工：用 AI 的结果，用物理模式的理由。
第三代人：签字的人
真正承担后果的，既不是写模式的人，也不是看模式的人，是那个决定要不要发撤离令的人。前两代人错了会变成论文里的注脚，这一代人错了会变成调查报告。
一次台风，提前 24 小时撤离一个县，成本是几千万，如果没来，这笔钱要有人解释；提前 12 小时撤，成本翻倍，伤亡风险上升。这个决定从来不是靠准确率做的，是靠「错了以后能不能站住」做的。在预报里，成本从来不由概率决定，由后果决定。
AI 把预报做得更准、更便宜、更快，会让这个决定变容易吗？短期会，长期不会。
因为预报越准，公众对「应该准」的预期越高。当准确率从 85% 涨到 92%，剩下那 8% 的失败会被更严厉地追问。准确率提升的收益是线性的，预期提升的代价是指数的。
于是这一代人的工作会从「判断天气」变成「管理预期」：写通报、开新闻发布会、解释为什么这次没来、为什么那次来了但没到那么强。这些工作没有被 AI 替代，反而变多了。模型越准，人的工作就越从「算」转向「说」。
一个不太好接受的推论
如果预报在十年内变成一项几乎免费、随处可得、精度不低于国家机构的能力，那么「预报」本身就不再是可以收费的商品。它会更像路灯：重要，但没人愿意单独为它付钱。
会收费的是另外三样东西：一是本地化的最后一百米，也就是你家门口那条街会不会淹；二是责任，谁签字、谁担保、谁赔付；三是通道，保证在断网断电的时候，那条消息还能送到你手机上。前两样是服务，第三样是基础设施。预报本身，会退化成水电一样的公共品。
这对气象部门是一个身份问题。它现在同时是生产者（算模式）、解释者（会商）和信使（发预警）。当生产者的角色被模型拿走，它剩下解释和信使。而在这两个角色里，信使是最容易被替代、也最容易被裁掉的。
推论的第二层更不好听：预报精度提升的最大受益者，不是普通人，是有能力把预报变成决策的机构——物流、保险、电力交易、农业期货。它们会把「提前 12 小时知道」直接折成钱。普通人得到的是更准的天气，机构得到的是更早的头寸。
同一项技术进步，落在两种人身上，一种是便利，一种是套利。这不是技术的不公平，是「把信息变成行动」的能力分布不均。
三个必须承认的反驳
第一，数据同化仍然是物理的。AI 预报要一个初始场，这个初始场靠的是把观测塞进一个物理模型里做变分。这一块没有被替代，而且随着观测种类变多（卫星、雷达、飞机、浮标），它变得更复杂。模型可以不懂物理，但它必须有人告诉它现在是什么样。
第二，尾部事件仍然是弱项。台风突然增强、局地极端降水、罕见寒潮，这些样本在训练集里本来就少。集合预报的意义正在于此：它不说「会下雨」，它说「有 30% 的概率下雨」。概率是应对未知的方式，而概率恰恰是单次推断最不擅长给的东西。
第三，也是最根本的：AI 模型是在再分析数据上训练的，而再分析数据是过去四十年的观测加上一套物理模式。观测系统一变——比如新一代卫星上线、某个探空站关停——训练分布就漂移了。这意味着 AI 预报的可靠性，一直寄生在它所替代的那套系统上。
这三条都不是小事。它们说明「用 AI 取代数值模式」是一个错误的说法。准确的说法是：把数值模式从台前挪到台后，让它专门负责生成训练数据和初始场。
写在最后
人类预报天气的历史，本质上是一部「把判断权往外让」的历史。先是让给温度计，再让给气压计，再让给微分方程，再让给超算，现在让给一个权重矩阵。每一次让渡都换来了更准的预报，也换走了一批人的判断权。
每一次让渡，都有一批人的手艺失效。看云的老人、手绘天气图的预报员、手调参数的工程师。他们的知识没有消失，只是不再被需要。
但有一件事一直没让出去：决定要不要为一次预报负责。模型可以算出 70% 的降雨概率，只有人能决定要不要因此让一个县的人半夜起床。
所以真正的问题不是「AI 会不会取代预报员」，是「当预报变得又准又便宜，我们还愿不愿意为那个签字的人付钱」。如果答案是「不愿意」，那么下一次极端天气里，最先失效的不会是模型，是那条从模型到人的最后一百米。
你手机上的天气 App 说明天有雨，你信它，还是信窗外那片云？上一次它报错，你是怎么调整对它的信任的？
评论 (0)