作者：毛爍

在2023～2025年間，以GraphCast、Pangu-Weather為代表的一批模型，不斷在頂級期刊上刷新性能記錄，也重新塑造了人們對“天氣預測”的理解。

盡管頂刊論文的指標不斷刷新，但對于國家氣象局（NMS）、大型公共機構(gòu)，以及因極端天氣承擔巨大風險的能源與保險公司來說，現(xiàn)實處境并沒有發(fā)生根本變化。

他們長期被卡在一個不上不下的位置。

一端，是以IFS、NOAA的GFS為代表的傳統(tǒng)NWP系統(tǒng)。這些系統(tǒng)的優(yōu)勢非常明確，數(shù)據(jù)完全掌握在機構(gòu)自己手中，物理機制清晰，可解釋性強，也足夠可靠。但代價同樣直觀——算力消耗巨大，系統(tǒng)演進節(jié)奏緩慢，哪怕只是把ACC（距平相關(guān)系數(shù)）往前推0.1，都可能需要多年持續(xù)投入。

（2001年到2013年，HRES的ACC時間序列顯示每十年增長約7.5%的趨勢，且存在多年“停滯期”）

（來源：截取自ECMWF歐洲中期天氣預報中心期刊）

另一端，則是科技企業(yè)提供的AI氣象應(yīng)用服務(wù)。這些系統(tǒng)推理速度快、效果“看似更好”，卻天然建立在服務(wù)化模式之上。模型結(jié)構(gòu)不可見、訓練數(shù)據(jù)不可追溯，區(qū)域性偏差難以評估。更現(xiàn)實的問題是，用戶不可能把高價值、強敏感性的實時觀測數(shù)據(jù)交給公有云，更談不上圍繞自身業(yè)務(wù)場景進行后訓練或數(shù)據(jù)同化。

久而久之，這種選擇變成了更根本的問題——預測系統(tǒng)的控制權(quán)究竟掌握在誰手里。正是在這一背景下，NVIDIA對Earth-2的定位顯得格外清晰。其選擇站在更靠前的位置，提供構(gòu)建預測系統(tǒng)所需的計算與工程能力。

這種“能力交付”，主要體現(xiàn)在三個層面：

第一，模型權(quán)重與訓練要容易可獲得的，機構(gòu)能夠在本地算力環(huán)境中復現(xiàn)實驗結(jié)果，而不是只能調(diào)用遠端接口；第二，私有數(shù)據(jù)可以在本地被直接納入訓練與推理流程，讓多年積累的觀測資產(chǎn)真正成為模型的一部分；第三，從訓練到推理的完整流程可以運行在自有GPU集群之上，避免對外部云平臺形成結(jié)構(gòu)性依賴；

也正因如此,過去一年NVIDIA向Hugging Face社區(qū)貢獻了大量模型與數(shù)據(jù)集。而反觀Earth-2真正的價值，則是要覆蓋氣象計算的完整流程——從觀測數(shù)據(jù)清洗、數(shù)據(jù)同化,到全球預報，再到區(qū)域降尺度和行業(yè)應(yīng)用。

這種全流程的布局，遠比單個模型跑分領(lǐng)先更重要。一旦底層的接口、計算方式和工作流被統(tǒng)一，之后的模型創(chuàng)新和業(yè)務(wù)開發(fā)，都會基于這套體系來做。

換句話說，Earth-2是想搭建一個新的平臺。在這個平臺上，氣象學家不再主要靠Fortran代碼和傳統(tǒng)數(shù)值模式工作，而是用GPU并行計算、CUDA，以及結(jié)合物理規(guī)律的AI模型，來重新理解地球。

01  Transformer遇見氣象學 NVIDIA打通“觀測-同化-預測”任督二脈

Earth-2最新更新的三大核心模型分別覆蓋了氣象業(yè)務(wù)流程中的中長期預報、短臨預報與數(shù)據(jù)同化三大關(guān)鍵環(huán)節(jié)，并且全部基于全新架構(gòu)范式。

面對全球中長期預報（1–15 天）場景，NVIDIA正式推出了代號為Atlas架構(gòu)的NVIDIA Earth-2 Medium Range模型。

NVIDIA Earth-2 Medium Range在超過70個核心氣象變量（涵蓋溫度、氣壓、風速、濕度等）上的標準基準測試中全面優(yōu)于“領(lǐng)先的開放模型”。其直接對標對象正是DeepMind的GenCast。

截取自NVIDIA官網(wǎng)

在Ensemble Forecasting測試中，Atlas對極端天氣發(fā)生概率的刻畫能力也尤為突出，體現(xiàn)了其在不確定性建模方面的成熟度上。

Atlas最值得研究人員深思的，是其背后的架構(gòu)轉(zhuǎn)向。在早期AI氣象模型（如第一代FourCastNet）中，研究者往往采用仿真的策略，在網(wǎng)絡(luò)結(jié)構(gòu)嵌入流體力學，再通過復雜且高度定制的結(jié)構(gòu)來逼近Navier–Stokes方程。

而Atlas選擇了完全相反的道路，徹底擁抱通用Transformer架構(gòu)，同時也在氣象領(lǐng)域再次驗證了Scaling Law的有效性。當訓練數(shù)據(jù)擴展到PB級、訓練算力提升到32塊H100并行時，Transformer架構(gòu)就可以通過注意力機制自行涌現(xiàn)出對大氣非線性結(jié)構(gòu)的預測。

如果說Atlas是在存量市場中“卷精度”，那么代號為StormScope架構(gòu)的NVIDIA Earth-2 Nowcasting，則是在增量市場中直指全球氣象體系長期存在的核心痛點——觀測受限。

0～6小時的臨近預報場景，高度依賴地面天氣雷達。盡管一些國家擁有NEXRAD，OPERA等雷達設(shè)備，但在海洋、極地，以及大量發(fā)展中國家，雷達覆蓋率較低。即便算法再先進，這些區(qū)域在面對強對流等極端天氣時，依然缺乏最基本的觀測數(shù)據(jù)。所以，NVIDIA利用NVIDIA Earth-2 Nowcasting將觀測問題轉(zhuǎn)化為建模問題。

截取自NVIDIA官網(wǎng)

訓練時，NVIDIA Earth-2 Nowcasting以高質(zhì)量MRMS雷達數(shù)據(jù)（NOAA的實時降水監(jiān)測和分析系統(tǒng)）作為地面真實數(shù)據(jù)，同時接收對應(yīng)時刻的地球靜止衛(wèi)星紅外云圖；推理時，雷達這一模態(tài)則可被徹底移除。

結(jié)果上看，該模型僅憑全球可獲取的衛(wèi)星紅外圖像，就能生成高分辨率的“虛擬雷達反射率場”。

Atlas和StormScope分別解決了“預測能力”與“觀測性”問題，但如果缺少高效的數(shù)據(jù)同化，這些模型在實際業(yè)務(wù)中仍無法形成閉環(huán)。 這正是NVIDIA推出代號HealDA架構(gòu)的NVIDIA Earth-2 Global Data Assimilation的原因。

截取自NVIDIA官網(wǎng)

事實上，在傳統(tǒng)NWP體系中，數(shù)據(jù)同化本身并不“不準”，但速度極慢?；贑PU的3D-Var / 4D-Var系統(tǒng)，生成一次初始場往往需要數(shù)小時，消耗的超算資源能達到30%。然而，基于GPU的AI預測模型，即便可以秒級推理，也只能使用“過期”的初始數(shù)據(jù)，這在時間敏感的業(yè)務(wù)中是致命的。

HealDA的核心突破，就是將數(shù)據(jù)同化整體遷移到GPU并行體系，把數(shù)小時的流程，壓縮到分鐘甚至秒級。讓“觀測-初始場（Initial Condition / Initial Field是數(shù)值天氣預報的起點，是某個時刻全球大氣狀態(tài)的三維快照）-預測”處于同一計算節(jié)奏之內(nèi)，形成閉環(huán)。

更重要的是，HealDA 并不綁定某個預測模型。其輸出的初始場可以直接供給Atlas、FourCastNet3、CorrDiff，乃至第三方的AI模型。

至此，NVIDIA打通了一整條端到端的AI氣象預測“流水線”

02  構(gòu)建氣象AI全棧工具鏈 : 算得快、看得細、易開發(fā)

Earth-2完成了從觀測、同化到預測核心模型的關(guān)鍵拼圖，Atlas解決中長期預報的精度上限，StormScope 彌補臨近預報的觀測缺陷，而HealDA 則讓整個流程真正進入實時節(jié)奏。

但對一個工業(yè)級的氣象系統(tǒng)而言，僅有“旗艦模型”仍然不夠。真正決定其落地能力的，是高頻推理、精細化下游任務(wù)，以及開發(fā)者可用性。圍繞這些現(xiàn)實問題，NVIDIA對Earth-2體系內(nèi)的成熟模型進行了增強，并與三款新模型組合，補齊成一整套可工程化的全棧工具鏈。

更新的NVIDIA Earth-2 FourCastNet3與Atlas的分工十分明確。前者將目標鎖定在集合預報（Ensemble Forecasting）場景下的極致效率方面。

截取自NVIDIA官網(wǎng)

在性能層面，NVIDIA Earth-2 FourCastNet3在保持預測質(zhì)量的前提下，推理速度較當前主流的擴散類模型快約60倍。這一特性也直接決定了其應(yīng)用重心——要算得足夠多。

這一優(yōu)勢在保險與再保險行業(yè)尤為關(guān)鍵。以AXA（法國的跨國保險與資產(chǎn)管理集團）為例，其風險評估往往需要生成數(shù)千條“反事實”的路徑，用以刻畫尾部風險（Tail Risk）。在這種高頻推理、強不確定性的任務(wù)中，NVIDIA Earth-2 FourCastNet3的速度優(yōu)勢，使其成為更好選擇。

除了NVIDIA Earth-2 FourCastNet3，NVIDIA Earth-2 CorrDiff關(guān)注的則是“看得細”。

NVIDIA Earth-2 CorrDiff（Corrective Diffusion）是NVIDIA在2025年推出的生成式降尺度模型，此次更新后繼續(xù)作為Earth-2全棧體系中的關(guān)鍵組件發(fā)揮作用。

截取自NVIDIA官網(wǎng)

其核心功能是利用擴散模型，將分辨率約25 km的全球預報場，智能降尺度到公里級（2 km）乃至更高分辨率的區(qū)域預報。與傳統(tǒng)的物理動態(tài)降尺度相比，該方法在保持細節(jié)可信度的同時，速度提升約500倍。

截取自Github

在應(yīng)用層面，CorrDiff常被形象地稱為“氣象顯微鏡”，其能夠從相對模糊的宏觀預測中，恢復出臺風眼墻結(jié)構(gòu)、局地強對流等關(guān)鍵中尺度與次中尺度特征，為精細化決策提供支撐。

模型本身并不能自動形成生態(tài)。因此在Earth-2體系中，NVIDIA同步推進了面向開發(fā)者的工具層建設(shè)。

NVIDIA Earth2 Studio是統(tǒng)一的模型服務(wù)與推理平臺，集成了Earth-2家族的全部核心模型，并通過 Hugging Face與GitHub開源發(fā)布，顯著降低了開發(fā)、部署和二次集成的門檻。

截取自NVIDIA官網(wǎng)

NVIDIA Physics NeMo是開源的Python框架，專門用于構(gòu)建AI+物理混合模型，為希望在神經(jīng)網(wǎng)絡(luò)中顯式引入物理約束（如守恒定律、邊界條件）的研究者，提供了標準化、工程化的工具支持。

至此，Earth-2逐步演化為覆蓋研究、工程與產(chǎn)業(yè)落地的完整開發(fā)生態(tài)。

03  Earth-2在政府、能源與金融等多領(lǐng)域規(guī)模化落地

現(xiàn)階段，Earth-2 已在政府、能源和金融三大領(lǐng)域形成了相對清晰的用戶結(jié)構(gòu)。

在官方的氣象機構(gòu)中，Earth-2已開始進入真實業(yè)務(wù)流程。以色列國家氣象局（Israel Meteorological Service，IMS）主任Amir Givati表示，其已在業(yè)務(wù)中同時引入Earth-2 CorrDiff與Earth-2 Nowcasting。在2.5 公里分辨率條件下，整體計算時間相比運行在CPU 集群上的傳統(tǒng)NWP模型縮短約90%。

從業(yè)務(wù)復盤結(jié)果看，在最近一次的暴雨事件中，AI模型給出了6小時累計降水的驗證成績，優(yōu)于當前正在運行的所有傳統(tǒng)模型。

中國臺灣地區(qū)的 Central Weather Administration（CWA）采取了另一種更具代表性的路徑。CWA并未直接采用現(xiàn)成模型，而是基于Earth-2的開放架構(gòu)，疊加本地高密度多普勒雷達和地面自動站數(shù)據(jù)進行Fine-tuning，用以提升臺風登陸路徑和地形性降水的預測精度。

與此同時，美國國家氣象局（National Weather Service，NWS）也正在評估 Earth-2對其業(yè)務(wù)流程的增強效果。

如果說官方的氣象機構(gòu)的應(yīng)用代表的是“可信度”，那么能源行業(yè)的案例代表的則是真金白銀。

在光伏領(lǐng)域，GCL（協(xié)鑫集團）已利用Earth-2優(yōu)化其發(fā)電預測系統(tǒng)，相比傳統(tǒng)的NWP，Earth-2 提供了更準確的輻照度預測，同時算力成本更低，直接提升了光伏并網(wǎng)效率。

在海上能源場景中，TotalEnergies（道達爾能源）的關(guān)注點更加直接。其產(chǎn)品經(jīng)理Emmanuel Le Borgne評價Earth-2 Nowcasting 是“將先進氣象智能規(guī)?；瘧?yīng)用的重要一步”。這對于海上鉆井平臺或風電場而言，提前幾十分鐘的風暴預警，往往意味著人員安全與資產(chǎn)保全的分水嶺。

電網(wǎng)側(cè)的邏輯同樣清晰。Southwest Power Pool與Hitachi正在結(jié)合Earth-2 FourCastNet3與Nowcasting改善日內(nèi)風電預測。對調(diào)度系統(tǒng)而言，更準的預測意味著更少的備用火電啟動，直接降低運營成本與碳排放。

在金融與保險行業(yè)，Earth-2 的價值體現(xiàn)更為淋漓盡致。

AXA（安盛保險）正在利用Earth-2 FourCastNet3生成跨越數(shù)千年的“反事實”颶風場景，對極端尾部風險進行窮舉。這種能力從根本上改變了巨災模型（Catastrophe Modeling）與再保險定價的邏輯。保險公司第一次可以為“從未發(fā)生過、但理論上可能發(fā)生”的事件進行定價。

而S&PGlobal Energy則通過Earth-2 CorrDiff，將宏觀氣候信息轉(zhuǎn)化為局部地區(qū)的風險洞察，為能源資產(chǎn)投資與組合管理提供更具可操作性的決策依據(jù)。

04 寫在最后

如果把NVIDIA Earth-2理解為一次AI氣象模型的更新，顯然低估了這件事的分量。

NVIDIA Earth-2真正改變的，是預測氣象這一能力本身的“生產(chǎn)方式”。傳統(tǒng)NWP的挑戰(zhàn)，不在于是精度，而在于時間和成本。預報的生成周期、參數(shù)修改的代價、區(qū)域定制的門檻，都非常高，這使得氣象預測天然傾向于“少而穩(wěn)”，而不是“多而快”。

Earth-2 帶來的改變，是把預測從“稀缺能力”變成“可反復調(diào)用的算子”。當推理可以秒級完成、集合規(guī)?？梢灾笖?shù)級擴展、區(qū)域定制不再需要重跑整套物理流程時，預測的價值中心就發(fā)生了轉(zhuǎn)移——從“最接近真理的一次結(jié)果”，轉(zhuǎn)向“高頻次的覆蓋不確定性”。

這也解釋了NVIDIA的戰(zhàn)略邏輯為何如此清晰。Earth-2不是一個“賣預報結(jié)果”的生意，而是出售時間優(yōu)勢的基礎(chǔ)設(shè)施。對用戶而言，他們買到的也不是更準的天氣情報，而是三種能力：

第一，更快試錯；

第二，更大規(guī)模的模擬；

第三，更低成本的定制化預測；

簡而言之，以前研究者面對的是“我能不能跑一次模擬”，現(xiàn)在，問題變成了“我可以探索多少種可能性”。這是科學研究范式改變——從依賴少量昂貴實驗，轉(zhuǎn)向依賴大規(guī)模、低成本的交互式探索。

對于從業(yè)者來說，現(xiàn)在要思考的，或許是在預測的“生產(chǎn)力”被重新分配之后，應(yīng)該站在哪一側(cè)？