AI 天气预报的下一步：把真实观测直接接进模型

先说结论

AI 学会模仿一套成熟系统之后，下一步往哪走？WeatherNext 3 给出的答案值得留意：把更多真实观测接进来，让模型有机会修正它从老师那里继承的偏差。

这不是“物理已经过时”。更准确的判断是：如果训练目标始终是另一套系统加工过的世界，模型跑得再快，也可能继续复制那套加工留下的盲点。改进的入口，有时在数据与现实的连接处。

事情是怎么发生的

9 月 3 日，Google DeepMind 与 Google Research 发布 WeatherNext 3。Stephan Rasp 等人的论文摘要明确指出，既有先进 AI 天气模型依赖分析数据进行初始化和训练，难以直接利用观测，也会继承分析数据的偏差。这里的“分析数据”，可以理解为对大气当前状态的一套处理后估计，并不是原封不动的测量。

团队提出的改变包括：接入低延迟卫星数据，每小时生成新预报；直接学习预测气象站观测等目标。论文报告，即使在未见过的站点评估，近地面温度和露点预测也有优势。这是作者报告的结果，尚不能据此保证每座城市都同样受益。

发布说明的架构描述同时保留了传统分析输入。因此，“接入观测”不能改写成“摆脱了传统气象体系”。

为什么重要

这里有一个比天气应用更普遍的问题：当 AI 的老师本身也是模型，学生究竟在学自然，还是在学老师的答案？

模拟结果有很大价值，能把复杂世界整理成可训练的数据。但如果评价也只围着同一套结果转，模型就可能越来越擅长复述一个近似世界。引入独立测量，才有机会发现近似在哪些地方失灵。

这也改变了产业竞争的重心。照这个方向发展，优势可能不只来自模型规模，还来自谁能持续取得及时、可靠的观测，处理缺测，并把误差反馈回系统。一次训练的成绩，逐渐变成一套长期运行的数据工程能力。这是趋势判断，还不是这次发布已经证明的产业结局。

站得住与站不住的地方

站得住的是问题意识：提高更新频率和直接学习观测，确实针对了“现实已经变了，输入还没跟上”的缺口。它提出了可以持续检验的技术路线。

站不住的是把“更细”直接当成“更准”。开发者说明区分了五公里站点校准地表变量、十公里地表网格和二十五公里高空层；五公里不是所有变量的统一分辨率，更不是每五公里都有一次可靠测量。

同样，“真实观测”也不是无误差答案。一个关键检验是：收益究竟能否延伸到观测稀疏地区和少见的极端事件？地图看起来更清楚，不能代替这道检验。预报质量提高，也不能自动换算成损失减少，中间还有决策者如何使用概率的问题。

接下来该盯什么

先看跨季节、跨地区的持续表现，再看极端天气中漏报与误报如何取舍，最后看预报是否实际改善调度和防灾决策。尤其要问：系统给出的概率，长期兑现得怎么样？

这次发布再次提醒我们，AI 科学需要追问自己的知识从哪里来。更像老师，和更接近现实，有时是两件事。能把两者分开检验，进步才有清楚的方向。