天气预报大概是人类最古老的科学计算需求。过去半个世纪它的答案一直是数值天气预报NWP把大气运动写成偏微分方程在超级计算机上暴力求解。但从 2022 年开始GraphCast、盘古、FourCastNet 这批 AI 模型接连登上 Nature、Science中期预报精度第一次系统性地超过了欧洲中期天气预报中心ECMWF的金标准 IFS而且推理只要一块 GPU 一分钟。气象成了 AI for Science 最出圈的样板间。数值天气预报的瓶颈NWP 的基本流程是收集全球观测数据卫星、探空气球、雷达、浮标通过数据同化系统把观测揉进模式初值然后求解大气动力学方程组向前积分得到未来 10-15 天的预报。这条链路有两个结构性瓶颈。第一是算力IFS 在 0.1° 分辨率下跑一次全球预报要动用数千个 CPU 核心一次集合预报几十条路径耗资巨大。第二是次网格参数化云、降水、湍流这些尺度小于网格的过程没法直接求解只能用经验公式近似这是系统性误差的主要来源。还有第三个隐性成本NWP 系统几十年积累的 Fortran 代码极其复杂想改一个物理过程动辄以年计。这给了数据驱动方法切入的窗口。AI 气象模型的共同范式各家 AI 模型做法不同但范式高度一致把气象预报建模成在规则网格上的自回归预测。输入是当前有时加 6 小时前的大气状态——几十个气压层上的温度、湿度、风速、位势加上地面变量模型直接预测 6 小时后的状态然后滚动迭代得到 10 天预报。训练数据几乎都来自 ERA5 再分析数据集——ECMWF 用数据同化技术把 40 年历史观测和模式结果融合成的最佳估计大气状态约 0.25° 分辨率总量上百 TB。换句话说AI 模型是在模仿 NWP 的历史答案只是学得快、算得快。GraphCast图神经网络建模球面大气DeepMind 的 GraphCast 是这条路上最有代表性的工作发表在 Science 上。它的核心结构是 GNN 版的 encode-process-decode编码器把 0.25° 规则网格约 100 万个网格点映射到一个多重网格的二十面体图上分辨率逐级降低处理器16 层消息传递网络Message Passing GNN在图上做信息交换长距离信息靠粗网格快速传播解码器把图上的表征映射回经纬网格输出下一时刻状态。图结构的好处是自适应分辨率赤道上网格密、极区不畸变还能用少量远程边捕捉罗斯贝波这类行星尺度波动。GraphCast 在 1380 个验证变量上对 ECMWF HRES 的胜率超过 90%单卡 TPU 推理 10 天预报不到 1 分钟。它还在热带气旋路径、极端高温、大气河流预测上表现亮眼。盘古气象3D Transformer 的中国方案华为云的盘古气象大模型走了另一条路不用图网络而是把 ViT 改造后用于气象数据称为 3D Earth-Specific Transformer3DEST。它有两个关键设计。一是把气压层当作第三维用 3D 窗口注意力处理纬度×经度×气压层的体数据符合大气的物理结构二是设计了层次化时域聚合策略——训练 1h、3h、6h、24h 四个不同步长的模型预报时按贪心策略组合调用避免小步长滚动导致的误差快速累积。盘古在再分析数据上的精度同样全面超过 IFS并且推理速度快一万倍以上。它的输出产品已经接入中国气象局系统台风玛娃路径预报的表现曾引发行业广泛讨论。动手试试跑通 GraphCast 推理DeepMind 开源了 GraphCast 的 JAX 实现配合 ECMWF 开放的 ERA5 数据即可复现from graphcast import graphcast, checkpoint, data_utils import dataclasses, haiku as hk import jax, numpy as np, xarray # 1. 加载 ERA5 数据并构造输入 (batch, time2, lat, lon, level) dataset xarray.open_dataset(era5_sample.nc) inputs, targets, forcings data_utils.extract_inputs_targets_forcings( dataset, target_lead_timesslice(6h, 6h), **dataclasses.asdict(graphcast.TASK) ) # 2. 加载预训练参数 (0.25度, 37层气压) params checkpoint.load(graphcast_params.npz, graphcast.CheckPoint) state {} # 3. 滚动自回归推理 40 步 10 天 hk.transform_with_state def rollout(inputs, targets, forcings): model graphcast.GraphCast(graphcast.ModelConfig(), graphcast.TaskConfig()) return model(inputs, targets_templatetargets, forcingsforcings) forecasts, state rollout.apply( params, state, jax.random.PRNGKey(0), inputs, targets, forcings ) print(forecasts.dims) # 输出 10 天逐 6 小时预报场完整跑通需要几十 GB 内存和 ERA5 下载权限社区也有 FourCastNet、盘古的 PyTorch 复现版本显存要求更低适合 24GB 消费级显卡做实验。主流 AI 气象模型对比| 维度 | ECMWF IFS | GraphCast | 盘古 | Fou