2025年7月1日，欧洲中期天气预报中心（ECMWF）正式发布并业务化运行了其首个人工智能集合预报系统——AIFS ENS v1。 这不仅是ECMWF发展史上的一个重要里程碑，也标志着全球数值天气预报正式迈入物理模型与人工智能模型并行驱动的新纪元。

本文将深入解析AIFS ENS v1，探讨其技术架构、与传统物理模型的区别、创新的训练方法，以及当前的性能表现和已知问题。

从物理到AI：双预报链并行的新范式#

长期以来，ECMWF的预报系统核心是其基于物理机理的综合预报系统（Integrated Forecasting System, IFS）。该系统的工作流程可以概括为：

1. 数据同化：将IFS的短期预报与全球最新的观测数据相融合。
2. 生成初始条件：通过数据同化，为预报模型创建最佳的地球大气初始状态。
3. 集合预报：从这些初始条件出发，运行基于物理的IFS模型，生成一个包含51个成员（1个控制预报+50个扰动预报）的集合，以捕捉预报的不确定性。

而全新的AIFS预报链则开辟了一条并行的道路。它共享了由IFS物理模型产生的高质量初始条件，但将核心的“预报步骤”替换为先进的机器学习模型。这个AIFS集合预报系统同样生成51个成员，与现有的AIFS确定性（单一）预报和传统的IFS集合预报系统形成互补，共同构成了ECMWF未来的预报产品矩阵。

AIFS如何“学习”天气演变？#

与传统数值天气预报（NWP）模型将大气物理定律编写成计算机代码不同，机器学习天气预报模型通过“学习”历史数据来掌握大气的演变规律。

AIFS ENS v1的“学习教材”是ECMWF海量的历史气象数据，包括长达40年的ERA5再分析数据和近10年的业务化高分辨率分析数据。模型的学习方式是迭代式的：它根据当前和过去6小时的大气状态，预报未来6小时的状态。在实际预报中，模型以这种6小时为步长，自回归地（auto-regressively）向前滚动，将上一步的预报作为下一步的输入，从而将预报时效延伸至未来。

技术核心：模型架构与训练创新#

模型架构：Encoder-Processor-Decoder#

AIFS采用了在人工智能领域广受欢迎的Encoder-Processor-Decoder（编码器-处理器-解码器）设计。

• 输入：模型接收当前时刻（t）和过去6小时（t-6h）的大气状态作为输入。
• 编码器 (Encoder)：将输入数据映射到一个内部的、分辨率较低但维度更高的潜在空间表示。
• 处理器 (Processor)：这是模型的核心计算单元，它是一个Transformer模型，与驱动ChatGPT等大语言模型的技术同源。处理器在内部网格上运行16次，通过其注意力机制，使得每个网格点能够聚合来自全球其他遥远网格点的信息，从而捕捉大规模环流的相互作用。
• 解码器 (Decoder)：将处理器处理后的内部状态映射回我们熟悉的物理输出网格，生成未来6小时的预报结果。

训练创新：用CRPS损失函数“教”会模型不确定性#

传统上使用均方根误差（MSE）等损失函数训练的机器学习模型，在长期预报中往往会出现“模糊化”现象，丢失大量中小尺度的细节，因为模型为了避免“双重惩罚”而倾向于生成平滑的平均态。

AIFS ENS v1最大的创新在于采用了连续概率分数（Continuous Ranked Probability Score, CRPS）作为其核心损失函数。CRPS是评估集合预报质量的黄金标准，它不仅要求预报误差小，还鼓励集合成员的离散度（spread）能够真实地反映预报误差（uncertainty）的大小。

在训练过程中，模型并非学习生成单一的最优解，而是直接学习生成一个小集合。通过向处理器的隐藏状态中注入不同的随机噪声，模型被“强迫”为同一个初始条件生成一组具有合理差异性的、可交换的集合成员。

这一设计的直接优势是，模型必须保留中小尺度的变率才能满足其训练目标。如下图所示，与AIFS单一确定性模型在第10天预报中出现的平滑现象相比，AIFS集合成员即使在第10天，其预报场依然保留了与第1天相似的丰富细节，使得预报在物理上更加真实可信。

系统配置与关键特性#

• 集合成员：51个（1个控制成员 + 50个扰动成员），初始条件直接来自IFS集合预报的初始场。
• 预报时效：长达50天。
• 空间分辨率：N320格点，约等于0.25度（约28公里）。
• 输出频率：每6小时输出一次。

一个重要的技术细节是：由于AIFS集合本质上是概率性训练的，即便是由未扰动初始场驱动的“控制预报”，其模型内部也包含了固有的随机性。这意味着AIFS控制预报的技巧评分（skill score）在平均意义上会低于IFS的控制预报，但这正是系统设计的预期结果，因为它始终在表达不确定性。

性能评估：AIFS ENS v1表现如何？#

根据ECMWF公布的评分卡，AIFS ENS v1在诸多方面展现了卓越的性能。

• 优势领域：在高空变量（如500hPa位势高度Z500、850hPa温度T850）和地面变量（如2米气温）上，AIFS集合的技巧评分显著优于IFS集合，改进幅度可达25%或更高。在热带地区的表现也同样出色。
• 待改进领域：在平流层等大气高层，AIFS表现出一些技巧退化，这可能与训练时损失函数中对不同层次的权重分配有关。
• 案例研究：

• 强降水事件：AIFS能很好地捕捉强降水模态，但由于其分辨率（~~28km）低于IFS（~~9km），有时会低估降水极值。
• 极端高温：在某些个例中，AIFS集合能准确预报出IFS集合明显低估的高温事件，展现了其捕捉极端天气的能力。

• 与其它AI模型对比：在与Google DeepMind开发的GenCast等其他概率性AI模型的对比中，AIFS ENS v1在2米气温等关键变量的预报误差上表现出领先优势，证明其已达到世界顶尖水平。

已知问题与未来展望#

作为一个全新的v1版本系统，AIFS ENS v1也存在一些需要用户注意的特性和已知问题：

• 地形影响：在青藏高原等高大地形区域，10天以上的长期预报可能出现非物理的地面气压和温度值。
• 过度离散：在预报初期，集合离散度有略微大于预报误差的倾向（over-dispersive）。
• 云场分辨率：云场的空间分辨率看起来有所降低。

当然，ECMWF仍在持续学习和改进该系统。

如何访问AIFS数据与产品？#

所有用户都可以通过ECMWF的开放图表平台（Open Charts）访问和评估AIFS ENS v1的预报产品。平台上提供了丰富的对比图表，例如：

• AIFS与IFS的集合平均和离散度对比图。
• AIFS控制预报、IFS控制预报和AIFS单一确定性预报的直接比较。
• 降水、气温等要素的概率预报图，可以直观比较AIFS和IFS对同一事件发生概率的判断。

结论#

AIFS ENS v1的业务化运行，是天气预报领域一次真正的范式转移。它不是对现有系统的简单替代，而是开创了一个物理模型与AI模型深度融合、互为补充的全新局面。凭借其在诸多预报技巧上的显著优势和生成物理上更真实预报场的能力，AIFS ENS v1无疑将为全球的气象服务、灾害预警和科学研究注入新的强大动力。我们正处在一个激动人心的时代，见证着人工智能重塑科学预报的未来。