NVIDIA Earth-2让气象预测模型迎来“安卓时刻”

作者：毛烁

在2023～2025年间，以GraphCast、Pangu-Weather为代表的一批模型，不断在顶级期刊上刷新性能记录，也重新塑造了人们对“天气预测”的理解。

尽管顶刊论文的指标不断刷新，但对于国家气象局（NMS）、大型公共机构，以及因极端天气承担巨大风险的能源与保险公司来说，现实处境并没有发生根本变化。

他们长期被卡在一个不上不下的位置。

一端，是以IFS、NOAA的GFS为代表的传统NWP系统。这些系统的优势非常明确，数据完全掌握在机构自己手中，物理机制清晰，可解释性强，也足够可靠。但代价同样直观——算力消耗巨大，系统演进节奏缓慢，哪怕只是把ACC（距平相关系数）往前推0.1，都可能需要多年持续投入。

（2001年到2013年，HRES的ACC时间序列显示每十年增长约7.5%的趋势，且存在多年“停滞期”）

（来源：截取自ECMWF欧洲中期天气预报中心期刊）

另一端，则是科技企业提供的AI气象应用服务。这些系统推理速度快、效果“看似更好”，却天然建立在服务化模式之上。模型结构不可见、训练数据不可追溯，区域性偏差难以评估。更现实的问题是，用户不可能把高价值、强敏感性的实时观测数据交给公有云，更谈不上围绕自身业务场景进行后训练或数据同化。

久而久之，这种选择变成了更根本的问题——预测系统的控制权究竟掌握在谁手里。正是在这一背景下，NVIDIA对Earth-2的定位显得格外清晰。其选择站在更靠前的位置，提供构建预测系统所需的计算与工程能力。

这种“能力交付”，主要体现在三个层面：

第一，模型权重与训练要容易可获得的，机构能够在本地算力环境中复现实验结果，而不是只能调用远端接口；第二，私有数据可以在本地被直接纳入训练与推理流程，让多年积累的观测资产真正成为模型的一部分；第三，从训练到推理的完整流程可以运行在自有GPU集群之上，避免对外部云平台形成结构性依赖；

也正因如此,过去一年NVIDIA向Hugging Face社区贡献了大量模型与数据集。而反观Earth-2真正的价值，则是要覆盖气象计算的完整流程——从观测数据清洗、数据同化,到全球预报，再到区域降尺度和行业应用。

这种全流程的布局，远比单个模型跑分领先更重要。一旦底层的接口、计算方式和工作流被统一，之后的模型创新和业务开发，都会基于这套体系来做。

换句话说，Earth-2是想搭建一个新的平台。在这个平台上，气象学家不再主要靠Fortran代码和传统数值模式工作，而是用GPU并行计算、CUDA，以及结合物理规律的AI模型，来重新理解地球。

01 Transformer遇见气象学 NVIDIA打通“观测-同化-预测”任督二脉

Earth-2最新更新的三大核心模型分别覆盖了气象业务流程中的中长期预报、短临预报与数据同化三大关键环节，并且全部基于全新架构范式。

面对全球中长期预报（1–15 天）场景，NVIDIA正式推出了代号为Atlas架构的NVIDIA Earth-2 Medium Range模型。

NVIDIA Earth-2 Medium Range在超过70个核心气象变量（涵盖温度、气压、风速、湿度等）上的标准基准测试中全面优于“领先的开放模型”。其直接对标对象正是DeepMind的GenCast。

截取自NVIDIA官网

在Ensemble Forecasting测试中，Atlas对极端天气发生概率的刻画能力也尤为突出，体现了其在不确定性建模方面的成熟度上。

Atlas最值得研究人员深思的，是其背后的架构转向。在早期AI气象模型（如第一代FourCastNet）中，研究者往往采用仿真的策略，在网络结构嵌入流体力学，再通过复杂且高度定制的结构来逼近Navier–Stokes方程。

而Atlas选择了完全相反的道路，彻底拥抱通用Transformer架构，同时也在气象领域再次验证了Scaling Law的有效性。当训练数据扩展到PB级、训练算力提升到32块H100并行时，Transformer架构就可以通过注意力机制自行涌现出对大气非线性结构的预测。

如果说Atlas是在存量市场中“卷精度”，那么代号为StormScope架构的NVIDIA Earth-2 Nowcasting，则是在增量市场中直指全球气象体系长期存在的核心痛点——观测受限。

0～6小时的临近预报场景，高度依赖地面天气雷达。尽管一些国家拥有NEXRAD，OPERA等雷达设备，但在海洋、极地，以及大量发展中国家，雷达覆盖率较低。即便算法再先进，这些区域在面对强对流等极端天气时，依然缺乏最基本的观测数据。所以，NVIDIA利用NVIDIA Earth-2 Nowcasting将观测问题转化为建模问题。

截取自NVIDIA官网

训练时，NVIDIA Earth-2 Nowcasting以高质量MRMS雷达数据（NOAA的实时降水监测和分析系统）作为地面真实数据，同时接收对应时刻的地球静止卫星红外云图；推理时，雷达这一模态则可被彻底移除。

结果上看，该模型仅凭全球可获取的卫星红外图像，就能生成高分辨率的“虚拟雷达反射率场”。

Atlas和StormScope分别解决了“预测能力”与“观测性”问题，但如果缺少高效的数据同化，这些模型在实际业务中仍无法形成闭环。 这正是NVIDIA推出代号HealDA架构的NVIDIA Earth-2 Global Data Assimilation的原因。

截取自NVIDIA官网

事实上，在传统NWP体系中，数据同化本身并不“不准”，但速度极慢。基于CPU的3D-Var / 4D-Var系统，生成一次初始场往往需要数小时，消耗的超算资源能达到30%。然而，基于GPU的AI预测模型，即便可以秒级推理，也只能使用“过期”的初始数据，这在时间敏感的业务中是致命的。

HealDA的核心突破，就是将数据同化整体迁移到GPU并行体系，把数小时的流程，压缩到分钟甚至秒级。让“观测-初始场（Initial Condition / Initial Field是数值天气预报的起点，是某个时刻全球大气状态的三维快照）-预测”处于同一计算节奏之内，形成闭环。

更重要的是，HealDA 并不绑定某个预测模型。其输出的初始场可以直接供给Atlas、FourCastNet3、CorrDiff，乃至第三方的AI模型。

至此，NVIDIA打通了一整条端到端的AI气象预测“流水线”

02 构建气象AI全栈工具链 : 算得快、看得细、易开发

Earth-2完成了从观测、同化到预测核心模型的关键拼图，Atlas解决中长期预报的精度上限，StormScope 弥补临近预报的观测缺陷，而HealDA 则让整个流程真正进入实时节奏。

但对一个工业级的气象系统而言，仅有“旗舰模型”仍然不够。真正决定其落地能力的，是高频推理、精细化下游任务，以及开发者可用性。围绕这些现实问题，NVIDIA对Earth-2体系内的成熟模型进行了增强，并与三款新模型组合，补齐成一整套可工程化的全栈工具链。

更新的NVIDIA Earth-2 FourCastNet3与Atlas的分工十分明确。前者将目标锁定在集合预报（Ensemble Forecasting）场景下的极致效率方面。

截取自NVIDIA官网

在性能层面，NVIDIA Earth-2 FourCastNet3在保持预测质量的前提下，推理速度较当前主流的扩散类模型快约60倍。这一特性也直接决定了其应用重心——要算得足够多。

这一优势在保险与再保险行业尤为关键。以AXA（法国的跨国保险与资产管理集团）为例，其风险评估往往需要生成数千条“反事实”的路径，用以刻画尾部风险（Tail Risk）。在这种高频推理、强不确定性的任务中，NVIDIA Earth-2 FourCastNet3的速度优势，使其成为更好选择。

除了NVIDIA Earth-2 FourCastNet3，NVIDIA Earth-2 CorrDiff关注的则是“看得细”。

NVIDIA Earth-2 CorrDiff（Corrective Diffusion）是NVIDIA在2025年推出的生成式降尺度模型，此次更新后继续作为Earth-2全栈体系中的关键组件发挥作用。

截取自NVIDIA官网

其核心功能是利用扩散模型，将分辨率约25 km的全球预报场，智能降尺度到公里级（2 km）乃至更高分辨率的区域预报。与传统的物理动态降尺度相比，该方法在保持细节可信度的同时，速度提升约500倍。

截取自Github

在应用层面，CorrDiff常被形象地称为“气象显微镜”，其能够从相对模糊的宏观预测中，恢复出台风眼墙结构、局地强对流等关键中尺度与次中尺度特征，为精细化决策提供支撑。

模型本身并不能自动形成生态。因此在Earth-2体系中，NVIDIA同步推进了面向开发者的工具层建设。

NVIDIA Earth2 Studio是统一的模型服务与推理平台，集成了Earth-2家族的全部核心模型，并通过 Hugging Face与GitHub开源发布，显著降低了开发、部署和二次集成的门槛。

截取自NVIDIA官网

NVIDIA Physics NeMo是开源的Python框架，专门用于构建AI+物理混合模型，为希望在神经网络中显式引入物理约束（如守恒定律、边界条件）的研究者，提供了标准化、工程化的工具支持。

至此，Earth-2逐步演化为覆盖研究、工程与产业落地的完整开发生态。

03 Earth-2在政府、能源与金融等多领域规模化落地

现阶段，Earth-2 已在政府、能源和金融三大领域形成了相对清晰的用户结构。

在官方的气象机构中，Earth-2已开始进入真实业务流程。以色列国家气象局（Israel Meteorological Service，IMS）主任Amir Givati表示，其已在业务中同时引入Earth-2 CorrDiff与Earth-2 Nowcasting。在2.5 公里分辨率条件下，整体计算时间相比运行在CPU 集群上的传统NWP模型缩短约90%。

从业务复盘结果看，在最近一次的暴雨事件中，AI模型给出了6小时累计降水的验证成绩，优于当前正在运行的所有传统模型。

中国台湾地区的 Central Weather Administration（CWA）采取了另一种更具代表性的路径。CWA并未直接采用现成模型，而是基于Earth-2的开放架构，叠加本地高密度多普勒雷达和地面自动站数据进行Fine-tuning，用以提升台风登陆路径和地形性降水的预测精度。

与此同时，美国国家气象局（National Weather Service，NWS）也正在评估 Earth-2对其业务流程的增强效果。

如果说官方的气象机构的应用代表的是“可信度”，那么能源行业的案例代表的则是真金白银。

在光伏领域，GCL（协鑫集团）已利用Earth-2优化其发电预测系统，相比传统的NWP，Earth-2 提供了更准确的辐照度预测，同时算力成本更低，直接提升了光伏并网效率。

在海上能源场景中，TotalEnergies（道达尔能源）的关注点更加直接。其产品经理Emmanuel Le Borgne评价Earth-2 Nowcasting 是“将先进气象智能规模化应用的重要一步”。这对于海上钻井平台或风电场而言，提前几十分钟的风暴预警，往往意味着人员安全与资产保全的分水岭。

电网侧的逻辑同样清晰。Southwest Power Pool与Hitachi正在结合Earth-2 FourCastNet3与Nowcasting改善日内风电预测。对调度系统而言，更准的预测意味着更少的备用火电启动，直接降低运营成本与碳排放。

在金融与保险行业，Earth-2 的价值体现更为淋漓尽致。

AXA（安盛保险）正在利用Earth-2 FourCastNet3生成跨越数千年的“反事实”飓风场景，对极端尾部风险进行穷举。这种能力从根本上改变了巨灾模型（Catastrophe Modeling）与再保险定价的逻辑。保险公司第一次可以为“从未发生过、但理论上可能发生”的事件进行定价。

而S&PGlobal Energy则通过Earth-2 CorrDiff，将宏观气候信息转化为局部地区的风险洞察，为能源资产投资与组合管理提供更具可操作性的决策依据。

04 写在最后

如果把NVIDIA Earth-2理解为一次AI气象模型的更新，显然低估了这件事的分量。

NVIDIA Earth-2真正改变的，是预测气象这一能力本身的“生产方式”。传统NWP的挑战，不在于是精度，而在于时间和成本。预报的生成周期、参数修改的代价、区域定制的门槛，都非常高，这使得气象预测天然倾向于“少而稳”，而不是“多而快”。

Earth-2 带来的改变，是把预测从“稀缺能力”变成“可反复调用的算子”。当推理可以秒级完成、集合规模可以指数级扩展、区域定制不再需要重跑整套物理流程时，预测的价值中心就发生了转移——从“最接近真理的一次结果”，转向“高频次的覆盖不确定性”。

这也解释了NVIDIA的战略逻辑为何如此清晰。Earth-2不是一个“卖预报结果”的生意，而是出售时间优势的基础设施。对用户而言，他们买到的也不是更准的天气情报，而是三种能力：

第一，更快试错；

第二，更大规模的模拟；

第三，更低成本的定制化预测；

简而言之，以前研究者面对的是“我能不能跑一次模拟”，现在，问题变成了“我可以探索多少种可能性”。这是科学研究范式改变——从依赖少量昂贵实验，转向依赖大规模、低成本的交互式探索。

对于从业者来说，现在要思考的，或许是在预测的“生产力”被重新分配之后，应该站在哪一侧？