机器学习模型正全面接管天气预报领域，从“这场雨会下多久”的短时预测，到10天期展望乃至世纪级长期气候预测。该技术对气候科学家、各类应用程序及本地新闻台日益重要——然而，它并不比人类更“理解”天气。
数十年来，气象学主要依赖将观测数据拟合至基于物理的模型与方程中。这一核心逻辑未变——无观测即无科学——但海量数据档案使AI模型得以覆盖几乎所有时间尺度。谷歌正试图主导从当下到未来的这一领域。
即时预报：像看图一样预测降水
在短期端，DeepMind的“临近预报”模型主要用于回答“是否需要带伞”。该模型将降水图视为图像序列，通过研究无数小时雷达数据，预判图像形状的演变与移动。即使在冷锋带来降雪或冻雨等复杂情况下（中国研究人员已在谷歌工作基础上验证），其预测也相当准确。
这展示了系统在缺乏天气形成知识时的预测能力。气象学家依据物理学原理判断雾、冰雹或热浪；而AI完全基于数据统计猜测，正如ChatGPT不真正“知道”自己在说什么，天气模型也不“知道”自己在预测什么。
尽管科学家警惕盲目采用无法区分雨滴与阳光的系统，但在“去商店路上是否下雨”等低风险场景中，其结果已足够实用。
中期扩展：MetNet-3与GraphCast
谷歌新模型MetNet-3可预测未来24小时情况，引入全县或全州气象站数据，适用于“风暴翻山还是消散”等问题，对应急服务规划至关重要。
在7至10天的“中期”尺度上，Google DeepMind在《科学》杂志介绍了GraphCast系统，称其“能比行业标准模拟系统更准、更快地提前10天预测天气”。
GraphCast以0.25度经纬度分辨率（赤道处约28×28公里）覆盖全球，需对超百万个点进行预测。虽无法精准定位社区级降雨，但对重大风暴等大型天气事件的模拟细节丰富，且单计算单元不到一分钟即可完成数天后预测。
作者强调：“该方法并非替代传统预报，而是证明MLWP有能力应对现实挑战并补充改进现有最佳方法。”
效率革命：从超级计算机到桌面级算力
传统“数值天气预报”计算成本高昂，需动用超级计算机且耗时较长。若气旋路径预测需运行数十次不同增强/减弱情景，每次一小时便是瓶颈；若在桌面级计算机上仅需一分钟，则可实现更精细的多变量预测，这对风暴、洪水及野火预警意义重大。
长期展望：ClimSim加速百年气候预测
ClimSim项目旨在预测未来一个世纪的千种情景。面对海量变量与数十年跨度，团队利用机器学习加速并提升百年尺度“预报”精度。
ClimSim将数据视为相互关联的向量场，而非输入手工调整的物理模型。即使模型不知晓大气CO2、地表温度等具体关系，数值间的内在联系也会被嵌入记忆。
项目负责人表示，模型计算成本降低数个数量级且准确性令人印象深刻。尽管科学家出于本能保持怀疑，但代码已开源供查验。
在气候快速变化下，长期预测的真实基准难寻，但其价值与日俱增。正如GraphCast研究所言，这是互补手段而非替代方案，气候科学家必将善用一切可用工具。