一句话定义：气象基础模型（AI Weather Model）是一类用深度学习从历史大气数据中学习“天气如何演变”的模型，给定当前大气状态，直接输出未来若干天的风、温、压、湿等网格场，而不再逐步求解物理方程。
它怎么工作：从解方程到查经验
传统数值天气预报（NWP）把地球大气切成许多网格，用流体力学和热力学方程一步步向前积分。这像用物理公式一颗一颗算台球，每前进一小时都要重新算一遍碰撞，算力拉满。气象基础模型换了个思路：把过去几十年的全球大气再分析数据当成“录像”，让神经网络反复看“这一帧之后通常是哪一帧”。训练完成后，预报就变成一次前向推理：输入当前场，网络在几秒到几分钟内吐出未来场。打个比方，传统模式是照着菜谱和化学方程做菜，AI 模型是看了几百万盘菜的老师傅，凭经验一眼判断火候。常见架构有图神经网络（GNN）、Transformer 和傅里叶神经算子（FNO）等，具体选择以论文和官方页面为准。
和相邻概念的区别
- 传统数值天气预报：物理方程加数值积分，依赖超级计算机和复杂参数化。
- AI 后处理/降尺度：在已有预报上做订正或提高分辨率，不直接产生大尺度演变。
- 通用大语言模型：处理文本 token；气象基础模型处理的是网格化物理场，属于“场到场的回归”，但同样有预训练、微调、迁移的玩法。
| 维度 | 传统数值模式 | 气象基础模型 |
|---|---|---|
| 核心 | 解物理方程 | 学数据映射 |
| 推理成本 | 高，需超算 | 低，单机或少量 GPU |
| 速度 | 小时级 | 秒到分钟级 |
| 初始场 | 自己同化观测 | 通常需外部提供 |
| 可解释性 | 物理量有明确方程 | 较黑箱 |
| 极端/外推 | 相对稳健 | 依赖训练分布 |
强在哪、弱在哪
强项：推理极快、成本低，可快速生成大量集合预报；中期（约 3 到 10 天）确定性预报技巧在部分指标上已能媲美传统模式；能学到一些难以显式参数化的过程。
弱项：它不会从原始卫星、雷达观测生成初始场，通常仍要传统资料同化系统喂初值；训练数据里没见过的极端天气、气候变化下的新常态，外推容易翻车；物理守恒（质量、能量）不一定严格满足；细尺度局地天气（雷暴、龙卷、地形降水）和极端事件尾部概率仍偏弱。它也不是气候模式，不擅长几十年尺度的气候预测。
对从业者和普通人的意义
对从业者，天气预报的瓶颈从“算力”部分转向“数据、训练和评估”；混合路线（物理模式加 AI 订正、AI 集合、AI 降尺度）更现实。对普通人，手机里的中期天气可能更准、更新更快，但短时强对流等仍要看传统模式和预报员。