终极大考：面对致16人死亡的欧洲强风暴，它赢了传统模型吗？

本文来自微信公众号： 生态学时空 ，作者：复旦赵斌，原文标题：《【AI天气预报】终极大考：面对致16人死亡的欧洲强风暴，它赢了传统模型吗？| 一起读顶刊-2026》

2023年11月，西亚兰风暴（Storm Ciarán）席卷欧洲，阵风时速最高达300公里，造成16人死亡、百万家庭断电、机场关闭、列车停运，成为北欧近年来最具破坏力的温带风暴之一。

这场真实世界的终极考验，恰好给风头正劲的AI天气预报模型带来了一次实战体检的机会。英国雷丁大学的研究团队用当前的四款顶尖AI模型（FourCastNet、盘古天气、GraphCast、FourCastNet-v2）与传统的数值天气预报（NWP）模型进行正面PK，结果将如何？我们今天就来聊聊这事。

AI和传统模型，预报逻辑差在哪？

要理解这场PK的意义，得先明白两种模型的干活思路：

传统数值天气预报（NWP）：靠物理方程算出来。用超级计算机解算热力学、流体力学方程，模拟热量、水汽、空气的运动轨迹。优点是逻辑清晰、细节精准，尤其是能捕捉到强风、暴雨这类危险天气的核心发动机；缺点是慢、费电，算一次10天预报要花几小时，还得占用巨型超级计算机。

AI天气预报模型：靠历史数据学出来。不用解复杂方程，而是“啃”下1979年以来的海量历史气象数据（相当于百万个千兆字节），自己总结“气压高+湿度大=可能刮大风”这类规律。优点是快、省能耗，台式机或普通AI芯片几分钟就能出10天预报；缺点是“知其然不知其所以然”，遇到没见过的精细结构，容易“看走眼”。

简单说，传统模型是“严谨的物理学家”，AI是“机灵的数据分析员”。这次西亚兰风暴，就是检验数据分析员在极端天气面前，能不能跟上物理学家的精准度。

核心PK结果：AI的“长板”和“短板”都很明显

研究团队对比了两者在西亚兰风暴预报中的表现，结论很明确：AI能搞定大局，但搞不定致命细节。

1.AI的高光时刻：抓大尺度结构，不比传统模型差

在判断风暴的整体走向上，AI表现堪称优秀：

准确预测了风暴路径：从北大西洋生成后，快速向东穿越欧洲的整体轨迹，和传统模型的预报基本一致，提前48小时就锁定了影响区域；

认清了风暴大模样：能精准捕捉云顶位置、暖区形状（风暴中温度较高的区域）、暖输送带急流（给风暴供能的气流通道）这些大尺度特征；

摸准了风暴动力核心：知道风暴是在高空急流的出口区快速增强的，这是风暴变得超强的关键原因。

也就是说，如果你想知道未来几天会不会有风暴来，AI能快速给你靠谱答案，这也是它之前被追捧的核心优势——快且不跑偏。

2.AI的致命短板：精细结构看不清，强风预报打折扣

但到了最关键的防灾预警环节，AI就暴露了短板，所有模型都出现了明显偏差：

低估最大风速：这是最严重的问题。传统模型能准确预测出风暴核心区的最大风速（48-50米/秒，相当于15级风），但AI预报的风速普遍偏低，盘古天气、FourCastNet-v2最多差8米/秒，相当于从15级降到12级——别小看这8米/秒，强风造成的经济损失和风速的三次方成正比，一点偏差就可能导致防灾准备不足；

看不懂强风发动机：风暴中最危险的窄带强风，来自两个关键精细结构——折回暖锋和中尺度急流。折回暖锋是风暴边缘绕回来的锋面，梯度越陡风越强，但所有AI都没捕捉到这种陡峭梯度；中尺度急流是近地面的小范围强气流（宽50-100公里），AI也没识别，自然算不准风速；

搞不定风暴核心细节：风暴成熟后，中心会形成暖芯孤”（一块和外界隔绝的暖空气，是强风的重要来源），只有部分AI能模糊识别，多数模型直接忽略了这个关键结构。

一句话总结：AI能告诉你风暴要来了，但没法精准告诉你最危险的地方风有多猛——而这恰恰是防灾减灾最需要的信息。

这场实战暴露的，不是AI不够聪明，而是它的学习方式有先天局限：

训练数据不够细：AI是靠历史数据训练的，但这些数据对中尺度精细结构的记录不够精准，相当于没见过真正的强风发动机，自然学不会怎么识别；

缺少物理约束：纯AI模型只看数据规律，不遵守必须符合物理定律的硬规则。比如传统模型不会出现风速和气压梯度不匹配的情况，但AI可能因为没学好规律，出现这种不物理的偏差；

黑箱缺陷：AI的决策过程没法追溯，它能算出风速偏低，却没人知道是哪个数据特征导致的，这让科学家很难针对性改进。

而传统模型的优势恰恰在这里：靠物理方程推导，每一步都清晰可追溯，只要方程没错，就能精准捕捉到梯度越陡风越强这类因果关系，不会漏掉关键细节。

启示：AI和传统模型，不是对手是队友

这场研究的价值，不是否定AI，而是让我们对AI天气预报有了更全面的认知——它不是取代传统模型的革命，而是补充传统模型的升级。

1.AI让预报更快，传统模型让预报更准

未来的天气预报，可能是AI先快速给出风暴路径、大致强度（省时间），传统模型再聚焦危险区域，精准计算强风、暴雨的细节（保安全）”。比如西亚兰风暴中，AI提前48小时锁定影响区域，传统模型再算出具体哪里会刮15级风，两者结合，既不耽误防灾准备，又能精准部署资源。

要解决AI的短板，不是让它学更多数据，而是让它学物理规则。就像之前提到的NeuralGCM模型，把物理约束融入AI训练，让它既懂数据规律，又不违背物理定律——这可能是AI天气预报的下一个突破口。

3.极端天气预报，细节决定生死

西亚兰风暴的教训是，极端天气的破坏力往往藏在细节里：几公里宽的强风带、陡增的风速梯度。AI要想真正胜任防灾预警，必须攻克这些小尺度难题，否则再快的预报，也没法真正保护生命财产安全。

天气预报的未来，是快与准的结合

从之前的GraphCast（台式机跑预报）、GenCast（15天概率预报），到这次西亚兰风暴的实战检验，我们能看到一条清晰的脉络：AI正在让天气预报变得更快、更易获取、更省能耗，但它还需要传统物理模型的“精准兜底”。

未来不会是AI取代传统模型，而是“AI+传统模型”的协同进化——AI负责广覆盖、快响应，传统模型负责高精度、保细节，两者联手，才能应对越来越频繁的极端天气。

这场关于风暴的PK，最终告诉我们：科学进步从来不是非此即彼的选择，而是取其所长、补其所短的智慧。当AI的灵活遇上传统模型的严谨，我们才能更从容地面对大自然的考验。

https://doi.org/10.1038/s41612-024-00638-w