人工智能正加速改变天气预报流程，使过去需要数小时超级计算的全球预报可在数分钟内生成。随着相关工具在高风险灾害建模中的应用增加，莱斯大学研究人员在一项新研究中提出关键问题：人工智能生成的风暴在物理表现上是否足够真实。

研究发表在《地球物理研究杂志：大气》，对基于人工智能的全球天气模型模拟热带气旋的能力进行了系统评估。研究团队指出，领先的人工智能系统在风暴路径及大尺度行为预测方面表现较好，但在再现风暴物理结构方面仍面临挑战，尤其是与实际影响密切相关的风场模式。

论文通讯作者、莱斯大学土木与环境工程助理教授Avantika Gori表示，近年来基于人工智能的天气模型快速发展，这类系统在大规模大气数据集上训练后，可在一两分钟内生成全球预报，速度显著快于通过求解物理方程的传统数值天气模型。她同时指出，由于模型参数规模可达数百万甚至数十亿，其预测生成机制并不总是透明，因此对热带气旋等高风险事件开展系统性评估尤为重要。

评估对象与数据范围

研究评估了两款人工智能全球天气模型Pangu-Weather与Aurora，使用2020年至2025年北大西洋与西北太平洋盆地的风暴数据。研究人员模拟了约200个不在模型训练期内的风暴，并将人工智能生成的风暴特征与ERA5再分析数据进行对比。第一作者、博士后研究员Yanmo Weng表示，相比仅分析少量个例的做法，覆盖数百个风暴有助于形成更具普遍性的性能结论。

路径预测表现突出，强度能力不均衡

研究结果显示，两款模型在风暴路径预测方面表现最为稳定。Gori称，模型能够较一致地再现风暴移动轨迹与登陆位置，这对疏散决策与提前预警具有重要意义。

在风暴强度方面，研究认为人工智能模型仍存在挑战，整体呈现不均衡但有所改进的表现。研究指出，早期人工智能系统往往低估热带气旋强度，难以捕捉最强风暴的最高风速与最低气压。在本次基准测试中，Aurora的强度分布更接近ERA5，而Pangu-Weather在最强气旋上的偏差更为明显。

研究同时提示，ERA5相较观测数据往往低估峰值强度，因此与再分析数据的一致性并不必然等同于对极端强度的准确刻画。

风场结构的物理一致性成为主要警示

研究强调的核心问题集中在风场模拟的物理真实性，即人工智能生成风暴内部风结构是否满足关键物理约束。团队对梯度风平衡这一成熟气旋的基本关系进行检验后发现，模型在风暴中心附近存在显著偏差。Gori表示，这类不一致并不总是直观可见，风场在视觉上可能“看起来真实”，但仍可能违反大气物理的重要约束。

此外，研究发现两款模型均倾向于高估风暴内核大小，且在较强风暴中更为明显。研究人员指出，气旋影响不仅取决于路径，也取决于风的组织方式，而这些因素会影响风害、降雨与风暴潮等预估。因此，若风场结构在物理上不一致，可能进一步影响下游灾害与损失评估结果。

研究建议：AI预报需与专业判断结合

Gori表示，研究结论旨在为改进提供方向，而非否定人工智能预报的潜力。她称，识别系统性偏差有助于开展偏差校正或增强解释，例如当模型存在强度低估倾向时，预报员可据此对输出进行调整，而非直接依赖原始结果。

研究团队同时强调，人工智能工具仍需要领域专业知识支撑。Gori指出，这些系统并非“自我验证”，大气科学家与人工智能开发者的协作对于确保模型输出保持物理意义至关重要。