2025年大西洋飓风季节已经接近尾声，随着热带气旋逐渐进入冬季休眠期，气象预报员们开始评估这一季节中哪些预报方法有效，哪些则表现不佳。今年的答案异常清晰：虽然谷歌DeepMind的Weather Lab直到6月才开始发布气旋路径预报，但其AI预报服务的表现却异常出色。相比之下，由美国国家气象局运营、基于传统物理原理并在强大超级计算机上运行的全球预报系统(GFS)模型，则表现糟糕透顶。
预报准确率的惊人差距
美国国家飓风中心要再过几个月才会发布官方的预报模型性能比较数据。然而，迈阿密大学高级研究员Brian McNoldy已经进行了一些初步的数据分析。结果令人震惊：
上图总结了本季节大西洋盆地所有13个命名风暴的路径预报准确率，测量了从0到120小时（五天）内各时间点的平均位置误差。在这张图表中，线条越低，代表模型表现越好。
新的领军者
图表中的黑色虚线显示了2022至2024年季节官方预报的平均误差。最引人注目的是，美国顶级全球模型GFS（图中标记为AVNI）是表现最差的模型。与此同时，图表底部深红色的Google DeepMind模型（GDMI）在几乎所有预报时间点上都表现最佳。
美国GFS模型与Google DeepMind之间的误差差异显著。在五天预报中，Google模型的误差为165海里，而GFS模型则为360海里，后者是前者的两倍多。这种误差差异导致预报员完全忽略一种模型而选择另一种。
更令人惊讶的是，Google模型的表现甚至经常超越美国国家飓风中心(NHC)的官方预报(OFCL)，该预报是由人类专家综合大量模型数据后做出的。基于AI的模型还击败了备受推崇的"共识模型"，包括TVCN和HCCA产品。
预报领域的永久性变革
值得注意的是，DeepMind在强度预报方面也表现出色，即飓风强度的波动。因此，在其首个季节，它就准确预测了飓风路径和强度。
作为一名依赖传统物理模型工作了25年的预报员，很难用言语形容这些结果的震撼性。可以肯定的是，未来我们将严重依赖Google和其他AI气象模型，这些模型在未来的几年里可能会进一步改进，因为它们相对较新，仍有提升空间。
"DeepMind和其他类似的数据驱动、基于AI的气象模型的美妙之处在于，与传统物理模型相比，它们能更快地生成预报，而传统模型需要使用世界上一些最昂贵和先进的超级计算机，"飓风专家、《关注热带气旋》通讯作者Michael Lowry评论道，"此外，这些具有神经网络架构的'智能'模型能够从错误中学习并进行即时修正。"
北美模型怎么了？
至于GFS模型，很难解释为什么它在今年季节表现如此糟糕。过去，它至少在制作预报时值得考虑。但今年，我和其他预报员常常忽略它。
"目前尚不清楚为什么GFS在这个飓风季节表现如此不佳，"Lowry写道，"有人推测，今年与DOGE相关的政府削减导致的数据收集暂停可能是一个影响因素，但 presumably 这样的因素也会影响其他全球物理模型，而不仅仅是美国的GFS。"
由于美国政府处于关闭状态，我们可能无法很快得到许多答案。但似乎很清楚的是，该模型动力核心的全面升级（始于2019年）基本上已经失败。如果GFS在十年前就略微落后于一些竞争对手，那么现在它正以更快的速度进一步落后。
技术革新背后的力量
DeepMind的成功并非偶然，其AI气象模型的核心优势在于几个关键技术突破：
神经网络架构：DeepMind采用的深度学习网络能够从海量历史气象数据中学习复杂模式，识别出传统物理模型可能忽略的微妙关联。
计算效率：与传统模型需要超级计算机数小时计算不同，AI模型可以在普通服务器上快速完成预报，大大缩短了从数据收集到预报发布的时间。
自适应学习：AI模型能够持续从新数据中学习，不断优化预测算法，而传统模型则需要人工调整参数。
多源数据融合：DeepMind模型能够有效整合卫星、雷达、地面观测等多种数据源，而传统模型往往难以平衡不同数据源的权重。
行业影响与未来展望
DeepMind的成功对气象行业产生了深远影响：
预报准确率的飞跃：AI模型在飓风路径预报上的表现表明，未来极端天气事件的预警时间可能大幅延长，为防灾减灾赢得更多宝贵时间。
资源重新分配：随着AI模型展现出优越性能，气象机构可能会重新分配资源，将更多人力和资金投入到AI系统开发中，而非传统超级计算机的维护和升级。
全球气象服务的民主化：AI模型的计算效率意味着更多国家可能负担得起高质量的气象预报服务，减少对少数发达国家气象系统的依赖。
人机协作的新模式：未来气象预报可能不再依赖单一模型，而是由AI提供基础预报，人类专家进行最终判断和修正，形成新型的人机协作模式。
挑战与局限性
尽管AI气象模型展现出巨大潜力，但仍面临一些挑战：
可解释性问题：AI模型的决策过程往往难以解释，而气象预报需要向公众清晰传达预报依据和不确定性。
极端事件预测：AI模型在历史数据中较少出现的极端天气事件上可能表现不佳，需要特殊处理。
数据依赖：AI模型的质量高度依赖训练数据的质量和覆盖范围，数据缺失或偏差会影响预报准确性。
基础设施需求：虽然比传统模型效率高，但训练和运行大规模AI气象模型仍需要强大的计算基础设施。
结语：气象预报的新时代
DeepMind在2025年飓风季节的表现标志着气象预报进入了一个新时代。AI不仅展示了其技术优势，更证明了在复杂系统预测中，数据驱动的方法可以超越传统物理模型。这一变革将不仅影响气象预报本身，还将改变我们对天气系统的理解方式，以及我们如何应对气候变化带来的挑战。
随着技术的不断进步，我们可以期待AI气象模型在准确率、时效性和覆盖范围上进一步提升，为全球防灾减灾提供更强大的工具。气象预报的AI革命已经到来，并将持续重塑这一古老而关键的领域。
