想找论文清单的直接看 Awesome-Weather-Forecast，这篇是我自己的梳理和吐槽。
先说结论：数据驱动天气预报这三年，是从"能不能追上数值模式"到"追上了，然后呢"的过程。
这行当为什么有意思
天气预报是我见过最适合深度学习上手的 AI4Science 场景之一：ERA5 再分析资料量大管够，四维场整整齐齐，而且每一次预报都有实打实的业务价值——不是发论文自嗨的那种。传统数值预报（NWP）得在超算上解大气方程组，一个中期预报跑几小时很正常；2022 年底开始，一堆人发现：与其解方程，不如在历史数据里学大气怎么演化。
第一波：FourCastNet 和它的后继者们
FourCastNet（2022）算第一个被认真对待的试水者，用傅里叶神经算子做全球预报。当时精度还很一般，但方向对了：推理只要毫秒级。它证明了这事值得砸钱。
然后是 2023 年的三巨头，几乎同时把精度干过了 ECMWF 的业务系统 IFS：
- Pangu-Weather（华为，Nature）：把大气按高度分层处理，用 3D 网络预测 1/3/6/24 小时步长。0.25° 分辨率下确定性预报全面超过 IFS HRES。
- GraphCast（DeepMind，Science）：图神经网络 + 编码-处理-解码，多网格结构做球面消息传递。顺便还能出集合雏形。
- FengWu（上海 AI Lab）：多模态多任务的路子，共享主干 + 任务分支，把可预报时效推过 10 天。
这三家打法其实差不多：ERA5 + 大模型 + 自回归多步训练。但意义很大——从这时起，数据驱动不再是小打小闹，ECMWF 自己都在认真对标。
同期还有个流派：ClimaX、W-MAE 想做"气象基础模型"，在大规模多源数据上自监督预训练再微调下游任务。当时精度拼不过专用模型，但"预训练 + 微调"的范式对后来影响挺深。
中期预报到头了，然后呢
Pangu/GraphCast 解决"10 天内准不准"之后，压力转向两个方向：
时效。级联学习（cascade learning）——几个模型接力，每个在上一级基础上做残差修正——把确定性预报时效推过 10 天、逼近 15 天。更进一步的思路是往次季节尺度延伸。说实话 15 天这个数字已经到数据驱动模型的极限附近了，再往后就是气候尺度的事了。
不确定性。单一预报再准，回答不了"这场雨到底有多大把握"。AI 集合预报——用多个模型成员刻画概率分布——成本比物理集合低几个数量级，这块到现在还在卷，也是我觉得最有价值的方向之一。
最难啃的：短临预报，扩散模型进场
中期预报被攻下后，最硬的钉子变成短临预报（nowcasting）：0-6 小时雷达回波外推。难在降水场极端非线性、间歇性强，回归式模型一推就糊，输出"模糊平均雨"。
扩散模型就是这时候进来的：
- PreDiff：潜在扩散用在降水临近预报上，顺带加了个知识控制机制约束物理一致性。
- DGMR（DeepMind，Nature）：条件 GAN + 潜在扩散的混合，90 分钟雷达回波，气象学家那边口碑不错。
- NowcastNet：端到端非线性演化模型，把物理演化和网络统一建模，强对流捕捉明显更好。
- SRNDiff：条件扩散做短临，主打生成样本多样性和不确定性估计。
我自己也趟过这滩水，做了个 TGdiff，思路是给扩散模型加 cross attention 和文本引导，让生成的时候能"听"到外部物理信号。做这块最大的体会：扩散模型在气象里的核心矛盾到现在也没完全解决——生成得清晰，又不能产生幻觉降水。 这条线特别适合想搞科研的人去挖。
同化和超分：AI 预报落地的最后一公里
- FengWu-4DVar：把 AI 预报和经典四维变分同化耦合，让模型能吃实时观测。这是 AI 预报真正进业务闭环的一步，但说实话离实用还远。
- 降尺度/超分：Uformer、PSD-Net 这些把 0.25° 粗网格修复到区域精细尺度，是气象大模型落到新能源功率预测、农业、城市内涝这些行业的必经之路。
接下来我看什么
- AI 集合预报规模化：用扩散或流匹配直接生成集合成员，替掉昂贵的物理集合。
- 物理和数据混合：让 AI 学方程残差（learning the missing physics），而不是从头学整个动力核心。
- 气象大模型的"GPT 时刻"：更大规模、更长范围的预训练 + 指令微调，一个模型通吃中期/短临/气候。
- 数据同化闭环：AI 预报和实时观测的双向耦合，这个远没解决，但业务价值全在这。
论文清单持续维护在 Awesome-Weather-Forecast，欢迎 star。