AI 天气预报
从此刻的大气，一步算到 6 小时后。
向下滚动
能做到什么
AI 天气预报用的是学出来的模型：它读过去几十年的大气记录，学会从此刻的大气算出 6 小时后的大气。2023 年，Google DeepMind 的 GraphCast 在 2018 年全年的测试里，1,380 个评分项目中有 90.3 % 误差小于欧洲中期天气预报中心（ECMWF）的物理模型 HRES。一个评分项目是一个变量、一个高度和一个预报时效的组合，“90.3 %”是赢了多少项，不是准了多少。
2024 年的 GenCast 一次给出一群预报，在 2019 年的测试里，1,320 个评分项目中 97.2 % 好于 ECMWF 的集合预报。2025 年 2 月 25 日，ECMWF 自己的 AIFS 投入业务运行，每天四次，和物理模型 IFS 并排运行，预报对外公开。
台上是一个桌面地球仪：浮雕的地球，外面一层玻璃壳印着一次真实预报里整层大气的水，北半球切开一角，露出大气的 13 个气压层。壳上是 ECMWF 在 2025 年 10 月 22 日 00 时（世界时）起报的 AIFS 预报，每次往前 6 小时，底座的指针走到第几天。
GraphCast：1,380 项中 90.3 % 胜过 HRES（2018）· GenCast：1,320 项中 97.2 % 胜过集合预报（2019）· AIFS：2025 年 2 月起业务运行
从哪一刻算起
预报从一张“此刻的大气”算起。GraphCast 把地球分成 0.25° 的经纬网格，721 × 1440，共 1,038,240 个格点，在赤道上一格约 28 公里。每个格点有 5 个地面变量，加上 6 个变量在 37 个气压层上的值，共 227 个数；一个时刻就是 235,680,480 个数。
这张图不是直接量出来的。ECMWF 每天收到约 8 亿个观测，经过质量控制，约 6,000 万个交给它的物理模型 IFS 使用；数据同化（4D-Var）把观测和模型的上一次预报合在一起，算出最接近实际的大气，叫分析场。AIFS 和 GraphCast 的实时预报都从这样的分析场起步。
壳上印的是 AIFS 读入的 10 月 22 日 00 时分析场里整层大气的水：从地面到大气顶，一根柱子里的水汽、云里的水和冰、雨和雪加起来，越白越多。玻璃上刻着 0.25° 的网格线。
0.25° 网格：1,038,240 个格点 · 每个格点 227 个数 · 起点：观测和物理模型合成的分析场
物理模型怎么算
物理模型从方程出发：动量、热力学、水汽、质量守恒这些方程，算出风、温度、湿度和气压下一刻怎样变。ECMWF 的 IFS 把大气分成约 9 公里的网格、137 层。
比网格还小的过程，比如辐射、湍流、对流、云，没法直接算，只能用简化的公式估计，叫参数化。时间一小步一小步往前推：ECMWF 2016 年写明，9 公里的模型每步 450 秒，所以 6 小时要走 48 步，10 天要走 1,920 步。
这要用超级计算机。ECMWF 在意大利博洛尼亚的 Atos 系统有 7,680 个计算节点、1,040,384 个处理器核，从 2022 年 10 月起承担业务预报。
IFS：约 9 公里 · 137 层 · 每步 450 秒，6 小时 48 步 · 1,040,384 个处理器核
学出来的一步
学出来的模型不解方程。它读入两个时刻的大气，此刻和 6 小时前，一次算出 6 小时后的大气；再把算出的结果当作新的“此刻”读回去，一步接一步。GraphCast 走 40 步到 10 天，AIFS 走 60 步到 15 天。
它的规则是训练时从数据里调出来的一大串数字，GraphCast 有 3,670 万个。没有人把方程写进去；它从几十年的大气变化里学到，一个时刻之后通常是什么样子。
台上，壳上的水每隔一会儿往前跳 6 小时，底座的刻度盘一圈是 10 天，指针跟着走。每一步都是 AIFS 算出来的，不是插出来的过渡。
此刻 + 6 小时前 → 6 小时后 · GraphCast 40 步到 10 天 · AIFS 60 步到 15 天
剖开大气
切开的这一角露出预报里大气的 13 个气压层，从近地面的 1000 百帕到约 20 公里高的 50 百帕。高度放大了 60 倍，山也放大了 60 倍，所以低处的气压层会碰到高原和山脉，就像真实的大气。
切面的颜色是 10 月 22 日 00 时的温度：底下暖，往上变冷，切面上最冷的地方在赤道上空约 16.6 公里的 100 百帕，约 −83 °C，再往上又稍暖。越往北，气压层越低：500 百帕在赤道约 5,850 到 5,880 米，在北极附近约 5,280 米，因为冷空气更重。
GraphCast 用 37 个气压层；AIFS 和这份开放数据给 13 层，2026 年 5 月的 AIFS 第 2 版加上了 10 百帕；IFS 自己算 137 层。
13 个气压层：1000 → 50 百帕 · 高度 × 60 · 颜色：10 月 22 日 00 时的温度
网上传消息
GraphCast 怎样算一步：编码器把 100 多万个格点的值交给一张网；处理器让网上相连的节点互相传递“消息”，一共 16 轮；解码器再把结果交回格点。
这张网是把正二十面体的每个三角形一分为四，反复细分 6 次，最细的一层有 40,962 个节点。GraphCast 把每一层的边都留在同一张网上：最粗一层的边长约 7,000 公里，最细一层约 110 公里，共 327,660 条有向边，远处的消息几轮就能传到。
台上的铜网只画了前三层，12、42、162 个节点。AIFS 的编码器和解码器也是这样的图网络，中间换成一个在约 1° 网格上的 Transformer，共 16 层。
编码 → 网上 16 轮消息 → 解码 · 40,962 个节点 · 327,660 条有向边
从过去学
它们从 ERA5 学：ECMWF 用物理模型和数据同化，把 1940 年以来的观测重新合成的大气记录，每小时一张，约 31 公里、137 层，这叫再分析。
GraphCast 用 1979 到 2017 年的 39 年训练，在 32 块 TPU v4 上训练了约 4 周。AIFS 先用 1979 到 2022 年的 ERA5 预训练，再用 ECMWF 近几年的业务分析场微调；AIFS Single 第 1 版训练时不直接用观测。
所以学出来的模型离不开物理模型：它学的记录是物理模型和观测合成的，每次预报的起点也是。ECMWF 写道，因为 AIFS 从 IFS 的分析场起步，IFS 的升级也会影响 AIFS 的表现。
ERA5：1940 年至今 · 每小时 · 约 31 公里 · 137 层 · GraphCast：1979–2017
一群预报
大气是混沌的：起点差一点点，几天后可能差很多。ECMWF 说，这把细致的天气预报限制在大约一周多。所以预报中心同时跑一群预报：ECMWF 的集合预报有 51 个成员，1 个控制预报和 50 个起点和模型各带一点扰动的预报。
GenCast 是一个扩散模型：从随机的噪声出发，一点点“去噪”，生成一种可能的天气；跑 50 次就有 50 个成员。它每 12 小时一步，预报 15 天，一个成员在一块 TPU v5 上约 8 分钟。2019 年的测试里，它在 1,320 个评分项目中 97.2 % 好于 ECMWF 当时的集合预报，36 小时以后是 99.6 %。
2025 年 7 月 1 日，ECMWF 的 AIFS ENS 投入业务运行，也是 51 个成员。台上的细线是这次起报的 AIFS ENS 每个成员的 5,640 米等高线：几天后，它们散开了。
51 个成员 · GenCast：1,320 项中 97.2 % 胜过集合预报（2019）· AIFS ENS：2025 年 7 月起业务运行
快多少
GraphCast 的论文写，它在一块 Google Cloud TPU v4 上不到一分钟就算出 10 天的预报；论文引用的数据是，HRES 在一台 11,664 个处理器核的计算机上约要一小时。GenCast 一个成员约 8 分钟，成员之间可以同时算。
ECMWF 说，AIFS 做一次预报，用电约是物理模型的千分之一。
这些比较都有条件：硬件不同；没算训练，GraphCast 用 32 块 TPU 训练了约 4 周；也没算数据同化：学出来的模型仍要等物理模型把观测合成分析场，才能起步，ECMWF 2017 年写道，这一步要几个小时。
GraphCast：一块 TPU 不到 1 分钟（10 天）· HRES：11,664 核约 1 小时（论文引用）· AIFS：用电约千分之一
分数说明什么
论文里的比较各有各的“答案”：GraphCast 和 ERA5 比，HRES 和它自己的分析场比。AIFS 的论文把 AIFS 和 IFS 跟同一个业务分析场比，2022 年对流层里 AIFS 的分数好约 10 %，50 百帕上 IFS 更好。
误差小不全是好事。用平方误差训练的模型越往后越模糊：拿不准时取个平均，误差就小。本页这一次预报里，AIFS 整层水的小尺度起伏到第 5 天只剩起点的 79 %，IFS 和分析场几乎没变。GraphCast 的论文也写到它在长时效上会模糊。
热带气旋也是这样：AIFS 的论文写，它预报气旋中心位置的误差明显小于 IFS，强度的误差却更大。论文的结论来自整年的个例；单看一次预报，谁好谁差都可能反过来。
各和各的答案比 · 越往后越模糊，误差反而小 · 位置更准，强度更弱
拆开来看
台子分成五件：地球仪、大气壳、铜网、子午圈和极轴、底座。
地球仪上是陆地的浮雕和海底的深浅，高度放大 60 倍。大气壳是一层印着整层水的玻璃，切开的一角有三个切面，画着 13 个气压层的温度。
铜网是 GraphCast 那张网的前三层，挂在两根极轴上；底座的刻度盘一圈 10 天，指针指着壳上那一步的预报时效。
地球仪 · 大气壳 · 铜网 · 子午圈和极轴 · 底座
实验台
实验台用的是真实的预报：ECMWF 在 2025 年 10 月 22 日 00 时起报的 AIFS（学出来的）和 IFS（物理），以及之后每 12 小时的分析场（实际发生的）。预报时效变了，壳上就换成那个时刻的整层水；细线是 500 百帕的等高线，黑线是预报，红线是实际。
读数是 500 百帕高度的全球均方根误差（按面积加权），由本页从 0.25° 的开放数据算出。这一次，前 7 天 AIFS 的误差小一些，第 8 天起 IFS 略小，第 10 天两者都约 76 米。
这只是一个起报时间。两种预报都画在 0.25° 的网格上：AIFS 原本约 31 公里，IFS 约 9 公里，IFS 的细节在这里被抹掉了一些。
预报时效 · AIFS / IFS / 实际发生的 · 读数：500 百帕高度误差
试一试同一个起报时间，学出来的 AIFS 和物理模型 IFS 往后推 10 天：哪一天两者 500 百帕高度的误差差不多？第 10 天两者的水场哪个更“模糊”？
模型省略了什么
大气和地形的高度都放大了 60 倍；真实的大气薄得多，50 百帕只在约 20 公里高。整层水是一根柱子里的总量，这里印在最外面的玻璃上，不在它所在的高度。壳上的预报是 AIFS Single 1.1 版的输出，ECMWF 插值到 0.25°，本页再平均到 0.5°；每一步之间用很短的淡入淡出换图。铜网只画了 GraphCast 那张网 7 层中的前 3 层，挂在台上只为看得见：模型里的节点就在地球表面。台上没有 GraphCast 本身的输出，它不是 ECMWF 的业务预报。
几个容易误会的地方
学出来的模型并不是“不需要物理”：它学的 ERA5 是物理模型和观测合成的，每次预报也从物理模型的分析场起步。“90 % 的项目更好”不等于“准了 90 %”，也不等于比天气预报员强：论文比较的是某一年、某个版本的物理模型和某些分数。速度对比没算训练和数据同化，硬件也不一样。用平方误差训练的模型会变模糊，误差小一部分来自这里。气旋位置更准，强度往往偏弱。单独一次预报，比如实验台上的这一次，说明不了哪个模型平均更好。
常见问题 · 5
- AI 天气预报是怎么做的？
AI 天气预报用的是学出来的模型：它读过去几十年的大气记录，学会从此刻的大气算出 6 小时后的大气。
01能做到什么 ↑- “90 % 的项目更好”是什么意思？
一个评分项目是一个变量、一个高度和一个预报时效的组合，“90.3 %”是赢了多少项，不是准了多少。
01能做到什么 ↑- AI 天气模型是从什么数据学的？
它们从 ERA5 学：ECMWF 用物理模型和数据同化，把 1940 年以来的观测重新合成的大气记录，每小时一张，约 31 公里、137 层，这叫再分析。
07从过去学 ↑- 为什么要同时跑一群预报？
大气是混沌的：起点差一点点，几天后可能差很多。
08一群预报 ↑- AI 天气预报比物理模型快多少？
GraphCast 的论文写，它在一块 Google Cloud TPU v4 上不到一分钟就算出 10 天的预报；论文引用的数据是，HRES 在一台 11,664 个处理器核的计算机上约要一小时。
09快多少 ↑
资料来源
- Lam 等（2023）：Learning skillful medium-range global weather forecasting（GraphCast），Science 382
- Lam 等：GraphCast（arXiv 2212.12794，含补充材料）
- Price 等（2025）：Probabilistic weather forecasting with machine learning（GenCast），Nature 637
- Lang 等（2024）：AIFS – ECMWF’s data-driven forecasting system
- ECMWF（2025-02-25）：ECMWF’s AI forecasts become operational
- ECMWF（2025-07-01）：ECMWF’s ensemble AI forecasts become operational
- ECMWF（2026-05-12）：IFS cycle 50r1 和 AIFS v2 上线
- ECMWF Newsletter 187：Implementation of AIFS v2
- ECMWF：Implementation of AIFS Single v1
- ECMWF（2016）：IFS cycle 41r2 的实施细节（9 公里，时间步长 450 秒）
- ECMWF（2023）：Implementation of IFS Cycle 48r1（集合预报 9 公里、51 个成员）
- ECMWF：IFS 文档 CY49R1（数据同化、动力学、物理过程）
- ECMWF：超级计算机
- ECMWF（2026-09-03）：From space to forecast（每天的观测）
- ECMWF：集合预报简介；混沌、可预报性和集合预报
- ECMWF：Introduction to chaos, predictability and ensemble forecasts
- ECMWF / C3S：ERA5 数据文档
- Hersbach 等（2020）：The ERA5 global reanalysis
- Rasp 等（2024）：WeatherBench 2
- ECMWF：开放数据（CC BY 4.0）
- ECMWF 实时预报，AWS 开放数据（读于 2026-10-26）
- ECMWF 参数库：整层水（tcw）
数据
Forecast fields on the globe and in the laboratory are based on data and products of the European Centre for Medium-Range Weather Forecasts (ECMWF). © 2025 ECMWF. Licence: CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Source: ECMWF open data (AIFS Single v1.1 and IFS cycle 49r1, run of 22 October 2025 00 UTC, and the IFS analyses up to 1 November 2025), read from the AWS Open Data mirror (https://registry.opendata.aws/ecmwf-forecasts, https://doi.org/10.21957/open-data). Changed: averaged from 0.25° to 0.5° and 1°, coloured and compared by world.lapla.si (docs/plates/weatherai/data). ECMWF does not accept any liability whatsoever for any error or omission in the data, their availability, or for any loss or damage arising from their use. Relief and sea floor on the globe: the site’s 0.5° elevation grid (as on the tides and quakes plates), raised ×60 like the atmosphere. Material presets, parts and the softbox studio of the site’s model kit are ported from AirsupHQ/machine-skill (MIT, © 2026 Air Supply Technologies Inc.).
本页的文字、图片和模型采用 CC BY-NC 4.0 许可：可以免费用于教学和其他非商业用途，可以修改，请注明出自 world.lapla.si。上面列出的第三方素材仍按各自的许可。
引用这幅图版
拉普拉斯的迷你世界，图版 F49《AI 天气预报》，https://world.lapla.si/zh/weatherai/，CC BY-NC 4.0，2026-10-26 更新。
沿这个问题继续
图版 M07确定，却无法预测三条简单的方程，没有任何随机。两个只差百万分之一的起点，二十个时间单位后已经毫不相干。
图版 44从噪声里长出来的图许多会画画的 AI，都从一团随机的噪点开始：一步一步，把噪声擦掉。一个小网络在你的浏览器里做同样的事，让一团乱点慢慢凝成一个结。
图版 04飓风的引擎它靠暖海运转，地球的自转让它旋转起来。
图版 F13Transformer 的注意力一个两层、八个头的小 Transformer，在你的浏览器里逐字读一句话，猜下一个字母。每条丝线是一次“注意”，亮度就是它的权重。
