AI天气模型预报越来越准,但炒作跑在了证据前面

档案里日期最新的天气材料根本不是一份预报。南华早报10月26日报道的一项研究发现,中国视频AI模型在画面质量上胜过美国对手,但在安全防护上落后。这提醒人们,"AI模型质量"是一组彼此独立的说法,而不是一个分数。档案里没有任何一条把某个新的全球天气模型发布时间定在过去72小时内。

确实存在的公告集中在10月下旬和11月初,而且大多来自厂商。

据共同社11月2日播发的一条电讯,Envision表示其Tianji天气基础模型在欧洲中期天气预报中心的AI Weather Quest中排名第一。据Radar.am在11月1日的报道,德国发布了一个由AI驱动的全球天气模型。马尼拉时报10月29日报道,Vaisala完成了对AI天气公司Atmo的收购。这三条都是公司或政府关于自家系统的声明,档案文本中三者都没有给出独立的误差分数。

基准测试到底测了什么

档案里确实带有数字的地方,数字来自研究而非营销。10月29日提交到arXiv的论文FABench为预报智能体搭建了一个回测环境,首版在九个领域提出287个问题。作者评估了基于八个近期模型构建的智能体,发现检索在每一种检索设置下都改善了全部八个模型的Brier分数,并把领先的智能体在与Polymarket相关的54个问题上提升到市场共识水平,其中最好的三个略高于共识。这是一个谨慎而有边界的结果。它说明检索有帮助,而不是AI战胜了物理。

另外两篇论文让画面更清晰。10月30日提交的QUAL报告称,在一组时间序列基础模型上对齐分位数,使GIFT-Eval上的平均成员MASE下降7.4%,CRPS下降9.8%,且无需训练或修改模型。还有一篇同样在10月29日提交的关于网络世界模型的论文发现,在对十个冻结的开放模型给出的3000条预测所做的匹配人工评估中,86.1%被判定为语义上合理,但有几个模型表现出不对称的授权行为,既有偏低的误判为安全执行率,又在那些本应触发澄清请求的案例上召回很差。合理不等于安全,作者们自己也这么说。

"智能体工作流步骤中有九成是常规操作,开放权重模型能以最便宜闭源模型四分之一的价格把它们处理得不相上下,"Gartner的Mark Petty和Raymond Paquet在题为"开放权重模型将承担90%的企业智能体工作流步骤"的文件中写道,The Register在11月3日引用了这段话。

Gartner那份文件讲的是智能体,不是天气,但对任何为预报流水线做预算的人都有意义。分析师们把前沿模型带来的节省在最理想情况下说成低至二十分之一,随后又承认当前的开放模型"可能更啰嗦、重试更频繁,因此每个任务相对前沿模型的节省更接近五到六倍"。The Register在11月3日发表了这一内容。如果便宜的开放模型承担了大部分常规数值工作,昂贵的模型就留给难处理的案例,而天气预报里到处都是难处理的案例。

底层的基础设施

预报质量也取决于输入模型的东西。10月19日,CNN报道特朗普政府对卫星的削减将使美国天气预报倒退十年,该媒体在10月27日更新了这篇报道。这是任何基准都触及不到的限制:一个用观测数据训练的AI模型,表现不可能超过喂给它的观测数据,而十年退化的卫星输入不是换个更好的架构就能解决的。

与此同时,据英伟达10月22日的公司博客文章,该公司正把其Earth-2开放模型推向欧洲部署,并在10月22日另行发布了一篇文章,讲欧洲金融服务机构采用开放模型来构建专有智能。两篇都是厂商博客,因此对其措辞要相应看待,但它们显示了算力和分发正在往哪里走。IBM Research在10月22日于Hugging Face上发表了其对使用Granite时间序列模型做集合预报的看法,这与QUAL论文的发现一致:把模型组合起来胜过只挑一个。

怀疑的理由并不难找。Nathan Lambert在10月30日于Interconnects上发文,问他此前关于开放模型与网络风险的观点是不是错了。这个问题值得与Bruce Schneier在10月27日关于在AI模型中隐藏能力的文章、以及他在10月26日关于Qwen3-Coder模型偏见的文章放在一起读。能力声明和安全声明往往出自同一批公关部门。档案里还有一篇10月20日Interconnects的综述,讲DeepSeek V4.1 Flash 1017以及美国和中国的新监管措施,这是这一切的政策背景。

具体到天气,诚实的总结很短。有几家机构说自己的AI模型超过了既有基准。一个接近同行评审水准的基准FABench显示,检索帮助预报智能体达到市场共识。一篇安全论文显示,合理的预测并不保证正确的决策。这份档案里没有人对天气方面的说法本身发表独立的、同口径的验证。在有人做到之前,这些公告只是一个故事的素材,而不是故事的结论。