AI 预报天气卷够了，Ai2 拿谷歌的钱去算几十年后的气候

天气预报 AI 这两年卷成什么样，大伙心里有数：几分钟出一份全球预报，早就不新鲜了。

可"明天下不下雨"和"本世纪中叶美国西南部缺不缺水"，压根不是一道题。后一个问题没有标准答案可对，模型得在一个从没出现过的变暖世界里，还能说得靠谱。

11 月 4 日，Ai2 宣布启动新的气候建模项目。Google.org 给了为期三年、数百万美元级别的资助，Google Research 提供技术支持，要做的东西叫 NeuralGCM+，走开源路线。我们 AI主线 的看法是：这笔资助押的不是"再快一点"，而是一个至今没被证明的命题，即 AI 与物理方程混合的气候模型，能不能在训练时没见过的更热的气候里依然可信。

预报天气和推演气候，到底差在哪

天气预报看的是明后天的具体状态，气候推演看的是几十年的整体趋势，而且推演的那个世界，比模型训练时见过的任何一年都热。

NeuralGCM 是 Google Research 做的混合模型，2024 年登上了 Nature。思路很好懂：大尺度的空气流动交给物理方程算，云怎么形成、雨怎么下这类小尺度过程，交给神经网络去学。好比大框架照教科书公式走，细节让 AI 凭经验补。

它的速度很吓人。按 Ai2 的说法，在公开基准里，大气版本用一块 TPU 八分钟就能模拟全球一年的大气状态。

但那篇论文自己也讲得很坦白：模型没办法外推到差别很大的未来气候。这句话基本就是 NeuralGCM+ 要啃的那块硬骨头。

Ai2 手里已经有什么牌

Ai2 不是从零开始。它的 ACE 系列是一类学习大气状态如何随时间变化的模型，Ai2 说，ACE2 在一项海温格局如何影响气候的研究里，比它所模仿的传统大气模型快约 100 倍。

2025 年 10 月，Ai2 又和合作团队放出 SamudrACE，把 ACE 的大气模型和 Samudra 的海洋模型接在一起，用 GFDL 的 CM4 模拟数据训练。项目团队自己的说法是，一块 GPU 一天能模拟 800 年。（这个速度，传统气候模型的使用者看了大概会沉默一会儿。）

快归快，Ai2 在这次公告里也把短板摆上桌了：跟着传统模型的模拟数据学，会继承传统模型的毛病；只拿历史数据训练，又很难给出可靠的未来推演。

这就是它需要 NeuralGCM 的原因。按 Ai2 的解释，NeuralGCM 里的 AI 只盯大气垂直切片上的局部过程，学习问题更简单，气候变暖时也许更容易泛化。注意，是"也许"，这还是待验证的假设。

三条路线，哪条最难啃

项目分三块。第一块是把 NeuralGCM 接上海洋和海冰模型，跑出稳定的几十年模拟，目标是在回算过去 50 年时，把区域气温和降雨的误差压到比传统模型更低。

第二块是补进更多成熟的物理，再拿训练时没见过的更暖气候来考它。这里有个细节：考试的参照物仍是传统气候模型的模拟结果。所以它考出来的是"像不像传统模型"，离"像不像真实未来"还差一步。这一步没人能直接验证，Ai2 自己也说，证明未来推演可靠仍是核心研究任务。

第三块最务实：发布模型和建模框架，配上文档化的工作流，让外部研究者能训练、改造、贡献代码，并优化在常见 GPU 上的表现。

这条不起眼，却很要紧。NeuralGCM 原本是 JAX 写的，Google 一直拿 TPU 做演示，圈子外的实验室未必有。现有代码是 Apache 2.0 协议，权重按 NeuralGCM 团队 2024 年 12 月的更新，改成了 CC BY-SA 4.0，商用门槛已经放低。

跟 NVIDIA 那套比，路数不太一样

开源气候 AI 不只有这一家在做。NVIDIA 2026 年 1 月 26 日发布了 Earth-2 开源模型家族，官方说是面向天气和气候 AI 的全开放加速栈，从中期预报、临近预报到降尺度都有。

两边的重心不一样：Earth-2 目前亮出来的主要是天气这一端，Ai2 和 Google 这次瞄的是年到十年尺度的气候趋势。

有意思的是，两边并不互斥。NVIDIA 开源推理库 Earth2Studio 的文档里，已经能看到 SamudrACE 的封装。开源的好处就在这儿：谁家的模型好用，生态会自己把它接进去。

接下来我盯两样东西：NeuralGCM+ 在回算过去 50 年时，区域气温和降雨的误差到底降了多少；以及更暖气候的测试结果会不会连同权重一起公开。能放出来，大伙就能自己验。光有一句"速度更快"，在气候这个领域，不太够用。