歡迎星標 果殼硬科技

3 月 4 日，一篇關于全球氣溶膠預報的學術論文發表于 Nature。這篇論文的主角，是一個名為AI-GAMFS的系統——全稱“機器學習驅動的全球氣溶膠-氣象預報系統”。它的誕生，意味著人類在預測沙塵暴、野火煙霧、霧霾等氣溶膠相關災害的能力上，邁出了關鍵一步。

AI—GAMFS 由中國氣象科學研究院研究員車慧正和張小曳院士團隊聯合多家研究機構發布。作者團隊還匯集了中國氣象科學研究院、美國 NASA 戈達德太空飛行中心、清華大學、復旦大學、西班牙巴利亞多利德大學等近 20 家頂尖科研機構的 AI 專家們。

氣象大佬和 AI 專家湊在一起，搞了什么事？

氣溶膠，被忽視的氣候因子

說 AI-GAMFS，得先搞清楚一個問題：氣溶膠到底是啥？

曾經北京人最有體會，春天一出門，漫天飛舞的沙塵，那就是氣溶膠。你在廚房里炒菜油煙飄起來，也是氣溶膠。野火冒出的煙霧、工廠排出的 PM2.5，全都是氣溶膠。

這些漂浮在空氣中的微小顆粒，別看它們個子小，對地球的影響可大了去了。它們能阻擋太陽光，能讓云彩變厚變黑，還能直接鉆入你的肺部引發各種疾病。每年全球有幾百萬人死于與空氣污染相關的原因，氣溶膠可“功不可沒”。

所以，準確預測氣溶膠的分布，什么時候、在哪里、有多少，這事兒關系到氣候變化、公眾健康，乃至于民航飛機的飛行安全。

但問題是，氣溶膠預報比天氣預報還難。天氣至少有個相對明確的物理規律，氣溶膠，要受風、溫度、濕度、地形、人類排放、化學反應……一堆因素影響，簡直就是一團亂麻。傳統的氣象局要用超級計算機跑好幾天，耗電又耗時，才能算出未來幾天的預報。

核心架構：Transformer 與 U-Net 的融合

AI-GAMFS 的核心創新，在于其獨特的模型架構設計。

研究人員將兩種在人工智能領域表現優異的模型，Vision Transformer 和 U-Net進行了創造性融合。 Vision Transformer，是一個超級擅長“全局感知”的 AI。普通的 AI 看圖片，可能只能看清眼前這一畝三分地；但 Vision Transformer 能同時看到整張圖，知道左上角的云和右下角的雨有什么關聯。在氣溶膠預報里，這就很要緊了，因為撒哈拉的沙塵和美國上空的云，它們可能真的在“遠程連線”。 U-Net 最擅長的是“保真”，它能一邊壓縮信息，一邊還能記住細節。就像你把一篇長文章概括成 100 字摘要，回頭還能根據這 100 字把原文給補回來，而且細節不丟失。在預報里，這意味著 AI 既能把握大局，又能留住局部精度。

具體跑起來是，系統首先將全球大氣數據“切塊”處理，提取三維時空特征；然后通過 14 層 Transformer 編碼器進行復雜的特征學習和關系建模；最后利用解碼器將學習到的特征“還原”為具體的氣溶膠預報結果。

機器學習驅動的 AI-GAMFS 系統架構

精度與效率雙重突破

這一架構設計在技術上具有顯著優勢，AI-GAMFS 在精度與效率取得了雙重突破。

在精度方面，研究團隊將其與當前世界領先的三大氣溶膠預報系統進行了全面對比：

首先是與歐洲中期天氣預報中心的 CAMS 系統。在氣溶膠光學厚度（AOD）這一核心指標上，AI-GAMFS 在前兩天的預報中，精度提升 11.5% 至 13.8%，誤差降低 22% 至 37%。即便在第五天，優勢依然明顯，誤差仍比 CAMS 低 11% 至 25%。

其次是與 NASA 的 GEOS-FP 系統比較。AI-GAMFS 在 AOD 預報上展現出更高的空間相關性，尤其在氣溶膠成分預報上表現突出。值得注意的是，在美國西部野火頻發區域，AI-GAMFS 對黑碳濃度的預報誤差比 GEOS-FP 降低了 60% 至 80%，這一區域正是傳統模型的“盲區”。

最引人注目的是與東亞區域沙塵預報系統的對比。研究團隊選取了 5 個來自不同國家的專業沙塵預報模型進行評測，覆蓋東亞這一全球沙塵活動最活躍的區域。結果顯示，AI-GAMFS 在所有 5 個模型面前全面勝出，預報精度最高提升了近 200%。

研究人員還專門以 2023 年 4 月中國北方一場特大沙塵暴為例進行了案例分析。結果表明，AI-GAMFS 不僅完美重現了沙塵的傳輸路徑和影響范圍，更關鍵的是，它提前 3 至 4 天就預報出了蒙古戈壁沙漠的增強沙塵排放。這對于沙塵災害預警而言，是質的飛躍。

同時，真正令業界震驚的，是 AI-GAMFS 的計算效率。

生成一次完整的 5 天全球氣溶膠預報，AI-GAMFS 在單塊 GPU 上僅需39 秒，而傳統 GEOS-FP 系統需要4 至 6 小時。近 360 倍的速度提升！

中繼預報，對抗誤差累積

AI-GAMFS 之所以能在效率和精度上實現雙重突破，另一關鍵在于其獨創的“中繼預報”（Relay Forecasting）策略。

傳統深度學習模型在長時間預報中，往往面臨“誤差累積”，預測時間越長，誤差就像滾雪球一樣越滾越大。AI-GAMFS 的解決方案頗為巧妙：訓練 4 個獨立的“子模型”，分別負責 3 小時、6 小時、9 小時和 12 小時后的預報任務。在實際運行時，這些子模型像接力賽一樣協同工作，前一個模型的輸出作為下一個模型的輸入，完成整個預報鏈條。

這種方式有效切斷了誤差的累積鏈條。實驗數據表明，采用 4 模型中繼策略后，120 小時預報的誤差比單一模型降低了 15% 以上。

這些突破的意義遠超技術本身。它意味著，氣溶膠預報可以僅國家級氣象局專用變為隨地隨地可用；從“一天兩次”升級為“實時更新”；從“專家專”轉變為公眾可獲取的公共服務。

AI for 氣象，并非萬能

但目前 AI-GAMFS 也有局限。

首先是海鹽預報能力偏弱。海鹽氣溶膠主要受海風驅動，而 AI 模型對風速的長期預報精度會逐漸下降，導致海鹽預報在幾天后表現不如傳統物理模型。

其次是訓練數據的局限。AI-GAMFS 使用了 42 年的再分析數據，聽起來不少，但與 Pangu-Weather 等“前輩”相比，數據量仍有差距。更多的訓練數據往往意味著更強的泛化能力。

第三是物理一致性挑戰。AI 模型從數據中“自學成才”，有時可能學習到一些“不符合物理規律”的關聯。論文明確指出，未來方向是將物理定律“嵌入”AI 模型，構建混合物理-機器學習框架。

未來已來

AI-GAMFS 的發表，絕不僅僅是一項學術突破。它預示著氣象預報領域正在經歷一場靜默的變革。

從產業視角看，這至少意味著三層機會：

第一，氣象服務門檻大幅降低。39 秒的計算時間意味著中小企業甚至個人開發者也能構建氣溶膠預報服務，這將催生大量創新應用。

第二，防災減災能力普惠。沙塵暴、霧霾、野火煙霧等氣溶膠災害的預警將更加及時精準，公眾可獲取的預警信息將更加豐富。

第三，氣候治理決策支持升級。更準確的氣溶膠預報，將為空氣質量管理、碳減排策略制定提供更科學的依據。

從經驗預報到數值預報，用了數十年；從數值預報到 AI 預報，只用了短短幾年。AI-GAMFS 論文的發表，只是 AI for science 這場巨變的一個注腳。對于我們普通人而言，這意味著未來的天氣預報，更細膩的服務，正在從實驗室走向你的手機。

論文信息

• 文章標題：Advancing operational global aerosol forecasting with machine learning

• 發布期刊：Nature

• 發布時間：2026年3月4日

吳歐｜編輯