气象预报进入AI时代：GenCast准确率超97%，风和开源千亿参数，各国气象局排队换引擎

天气预报这门老生意，正在被AI改写规则。

过去几十年，全球气象机构走的是同一条路：超级计算机跑数值模式，用流体力学方程一步步推演大气。一条高质量预报，动辄要数小时计算。现在，谷歌DeepMind、中国气象局、华为、上海人工智能实验室都把大模型塞进了这条流水线。预报速度从小时级压到秒级，部分指标上的准确率还反超了传统数值模式。

这不是概念验证，是各国气象局已经在业务中跑的系统。

97.2%的指标反超，传统模式被拉下马

看几个硬数据。谷歌DeepMind的GenCast是扩散模型架构的概率集合预报，团队把2019年1300多个预报目标完整测了一遍：97.2%的指标优于欧洲中期天气预报中心（ECMWF）的ENS集合预报，36小时以上预报时效的胜率高达99.8%。

另一款GraphCast，基于图神经网络，在1380项测试中超过90%的指标打赢了ECMWF的HRES高分辨率模式。第10天的500百帕位势高度异常相关系数还能保持在0.6以上，这条线是气象业务公认的”可用预报”门槛，HRES同期只有0.55左右。

更实际的变化在预警上。GenCast对台风路径、极端高温这类小概率危险事件，能把风险概率提前15天给出量化评估。传统集合预报要跑几十个成员，AI模型生成一套集合只要几分钟。极端天气多发的年份，这几十个小时的提前量就是撤离窗口。

中国方案：千亿参数的风和开始全球开源

国内这一侧的动作同样密集，路线还不太一样。

2026年7月的世界人工智能大会上，中国气象局公共气象服务中心联合雄安气象人工智能创新研究院、智谱等单位，发布了”风和”——全球首个千亿参数级开源气象大语言模型。它不追求替代数值模式算大气，而是做气象服务的”大脑”：基于地球系统数据资源基座，用5000万tokens高质量气象服务语料训练，负责天气分析研判、风险评估和气象服务问答，并且已完成生成式AI备案。同场宣布的还有全球开源计划，模型能力与服务接口逐步向全球科研和产业界开放。

再往前看，中国气象局2026年5月启动了第二届人工智能气象预报模型示范计划，建立覆盖临近预报、短中期到次季节的全时间尺度标准化评估体系。8月又发布《人工智能气象预报模型预报性能检验评估》等13项行业标准，12月1日起施行。技术之外，评价体系和标准也在快速补齐。

科研侧的产品线已经成形：上海人工智能实验室的风乌、复旦大学的伏羲、中国气象局的”风清””风雷””风顺”三件套，分别覆盖中短期、临近和次季节尺度。

为什么气象成了AI落地最快的科学领域之一

三个原因叠在一起。

数据是现成的。全球气象观测和再分析数据积累了几十年，格式统一、质量稳定，AI最喜欢的就是这种原料。

验证是客观的。明天下不下雨，第二天见分晓。模型好坏骗不了人，这也逼着所有玩家拿真实业务指标说话。

回报是刚性的。ECMWF、美国国家环境预测中心（NCEP）、日本气象厅的传统范式是”资料同化+数值模式”，精度依赖算力堆叠。AI模型把推理成本压低了几个量级，发展中国家不用自建超算集群，也能拿到接近一线的预报能力。

各国气象局的态度已经从观望转向采购。ECMWF在自己的AIFS模型上实测了机器学习路线，美国、英国、中国的业务系统都在做AI模块替换。AI没有推翻数值预报，它接手了其中算得又慢又贵的那部分。

普通人和企业能用到什么程度

对个人，手机里的天气App已经在悄悄换引擎，极端天气预警的提前时间在变长。

对企业，能源、航空、农业、保险是四个最先受益的行业。电网调度要看风速和负荷预测，保险公司用更准的灾害概率给风险定价，农业种植决策可以直接参考未来两周的降水概率分布。这些场景以前买不起高精度数值预报，现在一个API调用就能解决。

气象大模型这条线给所有垂直行业打了个样：找一个数据充足、验证客观、回报明确的领域，用AI重做一遍核心引擎。天气预报是第一个，肯定不会是最后一个。