AI4Science

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。...