2026年7月14日，中央气象台业务大厅的灯火比往常亮了一小时。
这是国内首个基于盘古架构升级的气象AI大模型“风和”正式投入业务化运行的第一百天。对于公众而言，这是一个沉默的胜利：台风“海神”的路径预测从传统数值模式的数小时缩短到了15分钟，且误差范围缩小了12%。但对于大厅里的30多位预报员来说，这个“胜利”更像是一份沉重的加班通知单。
“以前我们看的是图，现在我们要看‘为什么’。”一位拥有十年经验的资深预报员李伟（化名）指着屏幕上的红色报错日志说道。过去的一个月里，他每天需要额外花费40分钟去解释AI给出的异常预测值，或者在AI“自信”地给出错误结论时，强行将其拉回数值预报的轨道。
黑箱里的“幽灵”与物理学的边界
气象预报的本质，是在混沌系统中寻找确定性。传统的数值天气预报（NWP）基于流体力学和热力学方程，每一步计算都有物理意义可循。而AI气象大模型，本质上是一个巨大的概率映射器。它通过海量历史数据训练，学会了从当前的气象场“猜测”未来的气象场。
2023年7月，《Nature》发表的那篇关于盘古气象大模型的论文曾轰动一时，因为它首次在多项指标上超越了传统数值预报。然而，论文中轻描淡写的“黑盒”特性，在业务化落地后变成了最大的痛点。
在2026年的这次台风预测演练中，AI模型基于历史相似性，预测台风将在广东沿海登陆。但数值预报模式显示，受高空槽影响，台风应向北偏转。AI无法解释它忽略了高空槽的存在，因为它只看到了“看起来像”的历史数据特征。预报员必须在两者之间做出抉择：相信AI的速度，还是相信物理定律的逻辑？
这种冲突并非个例。据中国气象局公共气象服务中心正高级工程师王慕华在2025年“风和”大模型发布会上的披露，垂域大模型在复杂天气系统下的“幻觉”率高达15%-20%。这意味着，每发出7条预警，就有1条需要人工重新校验。对于需要争分夺秒的气象业务来说，这种校验成本是巨大的。
效率悖论：更快的AI，更慢的决策
这里出现了一个有趣的“效率悖论”。AI确实让预报速度提升了10倍以上，但它并没有减少预报员的总工作量，反而增加了认知负荷。
在传统模式下，预报员依靠经验判断数值预报的偏差；在AI模式下，他们不仅要判断数值预报，还要判断AI的“直觉”哪里出了问题。这要求预报员不仅要是气象学家，还得是半个算法工程师，能够阅读模型的注意力分布、理解其训练数据的局限性。
这与目前行业内的另一种趋势形成了鲜明对比。正如我们在《大模型评估避坑：从单一指标到多维度Benchmark组合》中提到的，2026年的大模型选型早已不再迷信MMLU等单一分数，而是转向多维度、可解释性的综合评估。气象领域亦然。单纯追求预报精度的提升，忽略了可解释性和物理一致性，导致了业务一线的“过载”。
更糟糕的是，AI的“自信”往往具有误导性。当模型给出一个高精度的预测时，预报员容易陷入“自动化偏差”，即过度信任机器输出，从而放松了对关键细节的检查。一旦出错，后果往往是灾难性的，尤其是在面对极端暴雨或强对流天气时。
破局：从“替代”到“增强”
那么，出路在哪里？
答案并非放弃AI，而是重新定义人机关系。我们正在见证从“AI替代人工”向“AI增强人类”的转变。正如《AGI四杰首次同台：参数竞赛退烧后的‘通专融合’真相》中所讨论的，行业正转向解决长尾场景和算力效能的工程深水区。气象AI也需要这样的“工程深水区”思维。
首先，物理约束嵌入（Physics-Informed AI）。未来的气象大模型不能仅仅是数据驱动的，必须将物理方程作为软约束嵌入到损失函数中。这样，即使AI在数据层面出现偏差，物理定律也会将其拉回合理的范围。上海人工智能实验室发布的“风乌”大模型已经在这一方向上做了初步探索，其在高分辨率下对核心大气变量的长期预报能力，正是得益于对物理规律的隐性尊重。
其次，可解释性仪表盘。预报员需要的不是一个黑箱的输出，而是一个透明的决策过程。例如，当AI预测台风路径时，系统应高亮显示它是基于哪些历史相似性做出的判断，以及它与数值预报的差异点在哪里。这就像给预报员配备了一个“副驾驶”，而不是一个“无人驾驶”。
最后，分级响应机制。对于常规天气，AI可以全自动生成预报；但对于极端天气，必须强制引入“人机双重校验”流程。这不仅是为了安全，也是为了积累高质量的修正数据，反哺模型的迭代。
结语
气象AI大模型的上线，不是终点，而是起点。它提醒我们，技术的进步并不总是线性向前的。在追求速度和精度的同时，我们不能忽视人的主体性和物理世界的复杂性。
对于预报员李伟和他的同事们来说，未来的工作不再是与AI竞争，而是与AI合作。他们需要学会驾驭这个“幽灵”，让它成为感知天气的眼睛，而不是束缚思维的牢笼。
毕竟，在大自然面前，无论是数值预报还是人工智能，我们都还只是初学者。而真正的智慧，或许在于知道何时相信机器，何时相信常识。
参考来源： 1. 中国气象局. (2025). “风和”大模型发布会实录. 2. Nature. (2023). "AI surpasses numerical weather prediction models". 3. 上海人工智能实验室. (2023). "风乌"大模型技术报告. 4. CCF YOCSEF. (2024). 人工智能大模型与天气预报论坛综述.