AI天气模型追踪气旋更准，但预报的风暴仍然偏弱

用数据训练的天气模型，如今在平均表现上已能与最好的物理预报系统竞争，而计算成本只是后者的一小部分。但对于罕见的极端事件——恰恰是最需要准确预报的情形——这一点是否成立，仍有争议。早先的评估发现，这些模型在破纪录的天气和强热带气旋上存在严重失误，但它们测试的大多是确定性模型，即只给出单一预报。最新的模型则是概率性的：它们生成一组可能的未来情景，即“集合”，其中每一个称为一个“成员”。

热带气旋是一项严苛的考验。它们是破坏性最强的天气灾害之一，撤离工作依赖于提前几天对其位置和强度的预报，并且需要对不确定性有诚实的度量。然而在全球气候模拟中，它们只占约0.5%的格点。

重演178个风暴

Nathan Chalumeau及其同事——来自INRIA、索邦大学和法国国家科学研究中心（CNRS），以及巴黎的安盛集团——比较了三个AI模型：GenCast，用扩散模型对未来天气进行采样；FourCastNet 3，由英伟达发布；以及FGN，用四个分别训练的网络构建集合。他们的参照标准是IFS-ENS，即ECMWF业务运行的物理集合预报系统，作为数值基准。

他们选取了178个气旋，它们的持续风速至少达到64节，覆盖所有洋盆，分为两种设置：一是2021–2023年的125个风暴，使用在ERA5再分析资料上训练的模型；二是2025年的53个风暴，使用在ECMWF高分辨率分析资料上微调过的业务版本。每次预报时长15天，包含49或50个成员，起报时间为风暴首次风速报告前12小时——总计26,541个成员预报。仅重新运行2021–2023年的预报就耗费了超过6,000小时的H100图形处理器机时。

为一团可能的位置打分

预报路径通常以集合的平均位置来评判。作者用2025年的台风“博罗依”（Bualoi）说明了这为何可能产生误导：IFS-ENS的成员分裂成彼此分离的几簇，任何平均值都无法代表它们。

台风“博罗依”（2025年）：FGN（红色）和IFS-ENS（蓝色）在四个预报时效上的预报位置，围绕观测路径（黑点）。——图2，Chalumeau等（2026），arXiv:2610.22077。

作者的做法是把每个集合转换成一张概率地图，然后看其中有多少概率落在风暴的观测位置上。得分越低，预报越好。

在2021–2023年的风暴中，GenCast在68%的气旋上胜过IFS-ENS，FourCastNet 3则为58%——优势不大。在2025年的风暴中，差距拉大了：在保留的41个风暴里，FGN在约90%上胜过IFS-ENS，并在其中59%的风暴上位列三个模型之首，GenCast为34%，IFS-ENS为7%。FGN在完整天气场上的得分也最好，而且两个AI模型在气旋周围相对IFS-ENS的优势都大于在全球范围内的优势。如果只比较最强风区和最低气压区的形状与位置，排名保持不变：FGN第一，GenCast第二，IFS-ENS第三。

过于温和的风暴

定位更准并不意味着强度更准。在2025年的风暴中，FGN和GenCast在短期和中期时效上都低估了峰值风速，而IFS-ENS与参考值的偏差保持在10%以内。在业务数据上进行微调并没有消除这一偏差。在较早的那组设置中，GenCast的局地得分更好，风速亏缺却更大。这些集合的校准也很差，某些地方的离散度过小。

但事情有一个转折。AI预报的风暴较弱，但其内部风速与气压之间的关系看起来是正确的。通过排序去除每个模型的强度偏差后，最大风速与最低气压之间的相关系数，FGN为−0.83，GenCast为−0.84，而高分辨率分析资料为−0.88，IFS-ENS为−0.87。FGN是一次针对一个变量、一个位置进行训练的，这种关联从未被强加给它，却依然自发地出现了。

左：AI模型预报的风暴风速较弱，气压低值较浅，不及参考值。右：排序之后，所有来源几乎遵循同一条风速–气压关系。——图6，Chalumeau等（2026），arXiv:2610.22077。

还不是预警系统

作者为自己的结果划定了界限。这项研究重演的是挑选出来的历史风暴，不包括没有气旋的时段，因此无法判断模型是否会发出虚假警报。两种设置在风暴、模型版本乃至IFS-ENS的升级上都有差别，因此无法单独分离出微调的效果。伦理声明也说得很直白：这些结果“不应被解读为将其中任何模型用于业务预警的指导”。

他们的结论是一份待办清单：修正强度，设计能重视极端风速的训练目标，改进不确定性的表达——并且每次都要检验，位置预报和风速–气压关系上的进步是否得以保留。