多出来的那一天：当 AI 学会替人类盯紧台风

一、迈阿密的那张桌子

2025 年 10 月下旬，美国国家飓风中心（NHC）的预报室里，一个名叫"梅丽莎"的热带气旋正在加勒比海上空盘旋。

按老经验，这类风暴的剧本并不好写。海水温度、风切变、高空急流，任何一个变量变脸，风暴就可能在一天之内从"值得注意"变成"致命"。而这一次，摆在预报员桌上的，除了他们看了一辈子的卫星云图和数值模式输出，还有一份来自人工智能的集合预报——它来自谷歌 DeepMind 的 WeatherNext 系统，一个当时还在试验阶段的模型。

那份预报说得相当早，也相当笃定：梅丽莎将快速增强，并登陆牙买加。提前五天，它给出的信心是八成；提前三天，信心接近确定。

后来的事大家都知道了。梅丽莎在二十四小时内从一级飓风猛蹿到五级，成为 2025 年大西洋飓风季最凶猛的风暴之一，扑向牙买加。事后 NHC 的验证报告里，那个 AI 模型在路径和强度两项上都被列为当季表现最好的单一模型。

这不是科幻片的桥段。它后来被写进了一篇论文，并在 2026 年 9 月 17 日登上了《自然》杂志的封面——标题平实得近乎克制：《用人工智能进行业务化热带气旋预报》（Operational tropical cyclone forecasting with AI）。

封面之下，是一个延续了一百多年的故事。

二、一个战地司机的白日梦

1922 年，英国人刘易斯·弗赖伊·理查森出版了一本在当时看来近乎异想天开的书：《用数值方法预报天气》。

理查森不是个安分的学院派。第一次世界大战期间，他是贵格会救护车队的一名司机，在法国前线的泥地里抬担架。就在救护车的颠簸里，他琢磨出了一个念头：大气运动遵循物理方程，那能不能像解数学题一样，把明天的天气"算"出来？

他真算了。用纸和笔，他花了大约六个星期，试图根据欧洲的观测数据推算六小时后的气压变化。结果一败涂地——他算出的气压变化比实际大了上百倍。换个人，大概就此收手。理查森却在书里写下了一段后来不断被引用的话：他设想有一座巨大的"预报工厂"，成千上万人坐在环形大厅里，各自计算大气的一个小块，像乐队一样在指挥的调度下合奏出明天的天气。

他当时估算，要让计算速度追上天气本身，大约需要六万四千个"人肉计算器"。

这个白日梦在战后的档案柜里躺了将近三十年。直到 1950 年，数学家冯·诺依曼和气象学家查尼在普林斯顿拿到了一台刚诞生不久的机器——ENIAC，人类最早的通用电子计算机之一。他们用简化的大气方程，在这台每秒只能做几千次运算的庞然大物上，第一次成功地用数值方法算出了二十四小时后的天气图。计算花了一天多，勉强追平时效，但方向被证明了：理查森的工厂可以存在，只是工人换成了电子管。

此后七十年，数值天气预报沿着这条路一路狂奔：卫星上天，超算换代，欧洲中期天气预报中心（ECMWF）崛起，全球预报的可用时效大约每十年延长一天。气象界有句半开玩笑的话：这是所有科学里"最不声张的成功"。

但它有一道久攻不下的关卡——热带气旋的强度。

三、台风为什么难算

台风的路径和强度，几乎是两种东西。

路径由大尺度环流推着走，像河面上的一片叶子，全球模式用几十公里分辨率的网格就能抓个大概；强度却取决于风眼墙里尺度小得多的热力学过程——海表热量如何灌进风暴核心，眼墙如何置换，这些细节需要几公里甚至更细的区域模式才能刻画。于是业务预报长期是"两套系统拼接"：全球模式管去哪，区域模式管多强，接缝处就是误差的温床。

而误差最贵的地方，叫"快速增强"——风暴在二十四小时内风速暴涨至少 35 节（约每小时 65 公里）。它是最致命的剧本：周一还是热带风暴，周三就以顶级强度压向海岸线。过去五十年，热带气旋在全球造成超过七十万人死亡、约 1.4 万亿美元的经济损失，其中相当比例的惨剧，都发生在"没想到它会这么快变强"的故事里。

AI 天气模型前几年也曾在这个关卡前折戟。2023 年以来，GraphCast、盘古等一批模型在路径预报上已经追平甚至超过传统模式，但它们吃的是 0.25 度（约 28 公里）分辨率的全球再分析数据，天生带着"强度偏弱"的系统性偏差。学界一度形成了一个近乎共识的判断：低分辨率输入，注定算不准强度。

WeatherNext Cyclones 偏偏在这个"注定"上撕开了口子。

四、粗数据里的秘密

DeepMind 团队的做法，用一句话概括：不跟台风在网格上硬拼，而是教 AI 直接"读懂"台风本身。

他们把国际最佳路径档案（IBTrACS）里近五千场历史风暴的观测记录，映射到全球大气数据上，让模型端到端地学习"什么样的大尺度环境，孕育什么样的风暴"。训练用了近 20TB 的大气数据；推理时，模型从五十个集合成员一口气扩展到一千个——每个成员都是一种可能的未来——而生成一套十五天预报，在一块 TPU 上花不了一分钟。

结果论文里写得清楚：用 2023 到 2025 年的真实风暴做回测，这个模型的预报比领先的业务模式平均多给出约一天的预警时间；路径预报比最好的全球模式领先一天以上，强度预报则优于 HAFS 这类专用高分辨率区域模式——后者是此前全球 AI 系统够不着的能力。

一天。这个数字放在日常对话里轻飘飘的，放在气象史上是另一个量级。前面说过，传统数值预报花了大约每十年，才把可用时效往前推一天。也就是说，这个 AI 模型一次性交出的增量，抵得上这条技术路线十年的渐进积累。

更让气象学界坐直了身子的是论文里的一个反直觉结论：这个模型吃进去的数据，比它击败的区域模式粗了几个数量级，可它的强度预报反而更准。这说明高分辨率并非准确预报强度的必要条件——大尺度、低分辨率的大气结构里，携带的强度信号比人们此前认识到的要多得多。一句流行多年的"低分辨率注定算不准强度"，被数据本身推翻了。

科学史上，这类时刻往往比指标本身更有意味。有时技术的进步不是靠把显微镜做得更精密，而是有人发现，答案写在另一张纸上。

五、把钥匙交出去

与论文同时发生的另一件事，在 GitHub 上。

DeepMind 把 WeatherNext 的代码以 Apache 2.0 协议开源，训练好的模型权重以 CC BY 4.0 发布——两者都允许商业使用。一个迷你版本的模型，可以在免费的 Colab 笔记本里跑起来。

这个决定的分量，要放到世界地图上掂量。热带气旋登陆的地方，很多是全球南方：孟加拉湾沿岸、加勒比海岛国、西太平洋的群岛。这些地区的气象部门往往预算有限，买不起昂贵的数值模式授权，也养不起超算。现在，一个曾帮助 NHC 预报员提前五天锁定梅丽莎的模型，它们可以直接下载、部署、改进。能源公司、保险公司、物流企业同样可以基于它开发自己的产品。

技术的民主化是个被说滥的词，但在这里它有具体的形状：一个牙买加渔民提前回港的决定，一个达卡郊区的家庭提前转移的夜晚，背后可能就是这个开源仓库里的一次下载。

也要把话说完整。AI 预报不是神谕。它依然依赖人类一个多世纪攒下的观测体系和再分析数据，依然会在超出训练分布的极端个例上失手，最终的预警签发、撤离决策，仍然落在预报员和应急管理者肩上。《自然》同期的一篇专栏恰好谈到这个分寸：把 AI 当作"陪练"，而不是"神谕"——用它来挑战自己的判断，而不是代替自己的判断。梅丽莎的故事里，AI 给出的那份提前五天的预报，最后是由人类预报员读懂、采信并转化为行动的。机器多抢出来的那一天，只有交到人手里才算数。

六、预报工厂的灯光

回到 1922 年。

理查森没能看到他的预报工厂落成。他后半生转向了另一项研究——用数学分析战争与军备竞赛，仿佛是想弄明白，那个让他在前线抬担架的世界究竟出了什么问题。1953 年他去世时，ENIAC 的第一次数值天气预报刚刚完成三年。

他大概想不到，那座环形大厅最终的形态会是这样：不是六万四千个人肉计算器，而是数据中心的机架；计算的不再是六小时后的气压，而是十五天后的风暴；而且大厅的钥匙，被挂在了网上，任何人都可以取。

从贵格会救护车里的一张草稿纸，到《自然》封面上的一团风暴云图，这条路走了 104 年。驱动它的东西其实很朴素：总有人在风暴到来之前，想为别人多争取一点时间。

这一次，是整整一天。

---

（本文基于公开发表的论文与机构信息撰写，气象数据与结论以来源文献为准。）