谷歌AI天气模型升级：直接吸收更多原始卫星数据

谷歌的AI天气模型近日迎来了一次关键升级——它现在可以消化更多来自气象卫星的原始观测数据。乍听之下，这只是技术参数上的微调，但放在AI气象预测的发展脉络里，这几乎是一场隐性的范式革命。

长期以来，以深度学习为核心的天气预测模型，依靠的不是“现场”观测数据，而是被称作“再分析数据集”的历史天气重演记录。这类数据集融合了卫星、探空仪、地面站等多种观测源，再通过数值同化技术将其整理为均匀网格上的“拟真天气”。它的便利在于规整、连续、适合训练，但代价是滞后和过滤——模型始终隔着一步看到世界的真实状态。

从“二手资料”到“一手素材”

传统数值天气预报从20世纪中叶开始，就依赖数据同化系统对海量观测进行融合，以便为模型提供连续的初始场。AI模型模仿的正是这一方法，但其训练所需的输入，长期以来高度依赖欧洲中期天气预报中心（ECMWF）的ERA5再分析数据。这就好比是让一位学生通过阅读二手史料来学习历史——当然有效，但总缺少对原始档案的敏锐度。

此次谷歌的升级，正是把一组更加直接、更接近“一手素材”的卫星辐射数据引入模型输入管线。所谓“原始卫星数据”，并非我们想象中的可见光云图，而是卫星上微波与红外探测仪直接测得的辐射亮度值。这些数据携带着关于大气温度、湿度乃至风速的深层信息，且覆盖范围极广——从极地到热带，从海洋到荒漠。在传统业务中，它们必须经过复杂的辐射传输模型转换为气象要素后，才能被数值模式使用。而现在，深度学习模型可以自行学习从辐射值到天气状态的映射，省去了中间环节。

“这一步与其说是在堆数据量，不如说是把感知世界的触角向前延伸了一段。模型不再只能读文字摘要，开始能看原始影像了。”——一位不愿具名的气象人工智能研究者如此比喻。

为什么这不是锦上添花

不少人会问：既然再分析数据已经足够好用，增加原始卫星数据到底能带来什么实质性提升？答案在于时效性和细粒度。

再分析资料往往滞后数小时甚至数天，其目标是为长期气候研究提供连贯序列，而非朝夕之间的即时天气。但天气预报，特别是强对流、台风路径、突发暴雨等灾害性天气的预判，对时效的敏感度极高。直接吸收实时卫星数据后，AI模型能够更快感知到大气状态的细微变化——这意味着在数值模型尚未更新初始场的“空窗期”，AI预报仍然可以动态调整。

另外，原有模型的输入空间通常是经过同化处理的“物理量场”，例如温度、气压、湿度等。这个过程虽然帮助模型规避了噪声，但也在无意间滤除了一些极端值或局地细节，而这些细节往往正是灾害天气的关键信号。原始辐射数据则不然，它携带着未经平均化的局部信息，给了模型挖掘异常模式的更大自由度。

行业背景：AI气象竞赛进入数据深水区

回看2024年至2026年间AI气象领域的发展脉络：2024年，DeepMind的GraphCast与华为云盘古气象接连展示出超越传统数值预报短期技巧的能力；2025年，多模态与扩散模型开始被引入集合预报；而2026年，重点明显转向了训练数据本身的“真实感”与广度。谷歌此前的NeuralGCM模型已经尝试用机器学习替代部分物理参数化方案，而此次更新的数据策略则说明，大家公认“模型架构”的比拼已进入瓶颈，下一站是数据质量与口径的较量。

事实上，气象界的共识正在改变。ECMWF、美国NOAA等传统机构也在探索如何让AI直接同化卫星辐射数据，以降低对中间产品的依赖。谷歌此番领先，部分得益于其天文数字般的算力与存储资源——要定期处理覆盖全球的微波探测数据并实时更新模型权重，背后的成本并非中小研究团队所能承担。

编者按：AI与数值模式的边界模糊

从另一个角度观察，谷歌这次升级也折射出AI气象预测正在走向“混合范式”。它与传统数值模式的关系不是颠覆，而是趋同。AI模型学会读取原始数据的同时，也面临观测误差、传感器退化、卫星轨道漂移等传统同化系统的老问题。只是这一次，模型需要自行区分信息与噪声。这既赋予深度学习更大的端到端学习能力，也对其鲁棒性提出了更严苛的检验。

可以预见，未来AI模型与传统模式之间的竞争将不再只停留在skill score（技巧评分）之上，而会延伸至对观测系统变化的适应能力、极端事件的物理一致性乃至可解释性层面。从“用更少物理公式换更好结果”到“学会利用更杂乱的原始数据”，AI气象学的第一步浪漫叙事已经结束，接下来是硬核的工程挑战。

不过，对于普通公众而言，一个更直接的信号是：未来打开天气App，那些“未来两小时是否会下雨”的智能提醒，可能比今天更能捕捉到天空中初生的风吹草动——因为背后的大模型，已经睁开了看向云层更深处的那只眼睛。

本文编译自Ars Technica