AI正在重新预测天气，但有人开始攻击天气数据

（来源：麻省理工科技评论）

每天清晨，世界各地的航空调度员、电网运营商和农民，都会依据同一件事做出决策：天气预报。对于大多数人来说，天气预报可能只是扫一眼就划过去的信息；但在许多行业，它却决定着重要的战略决策，背后牵涉了真金白银、生产经营，甚至生命安全。

农民会根据天气预报决定种植哪一种作物、何时施肥、是否投入更多灌溉设施，以及让牲畜放牧多久。电力企业则依靠天气预测来决定太阳能和风电场建在哪里，以及如何制定批发电价。极端天气预警、应急响应启动，同样离不开天气预测。

近年来，天气预报又多了一个新的应用场景——预测市场（prediction markets）。在这类平台上，人们可以针对各种现实世界事件下注，其中就包括天气。然而，人为操纵天气数据去获取利益的诱惑，叠加 AI 天气预测快速转型，正在让天气预报的准确性面临新的风险。

目前来看，这些风险仍然可控。但作为这一领域的研究者，我们已经能够预见：如果放任不管，它们很可能会演变成更严重的隐患。

要生成天气预报，首先需要准确掌握当前天气状况。这些观测数据来自多个渠道，包括机场、公共事业单位以及交通运输部门部署的气象站。

传统的业务预报系统，例如天气研究与预报模型或欧洲中期天气预报中心的综合预报系统，会将这些观测数据与数值计算模型结合起来，推演未来的天气变化。

当然，气象站本身也可能出现问题，例如仪器故障或设备升级。这些问题有的能够及时发现，有的则需要事后排查。此外，传统天气预报系统还内置了一道关键的安全机制——数据同化（data assimilation）：每一条新的观测数据，都会与物理模型预测的结果以及周边气象站的数据进行交叉比对，以判断其是否合理。正是这些机制，共同保证了数据的可靠，从而让天气预报保持较高的稳定性。

但是，新的威胁正在削弱这种可靠性。

就在今年，多家媒体报道，法国巴黎戴高乐机场的气象站在 2026 年 4 月 6 日和 4 月 15 日记录到了异常升高的气温。调查人员怀疑，有人使用手持吹风机或打火机故意给温度传感器加热。这一操纵都带来了巨额收益：其中一名参与者因此获利约 2 万美元。

幸运的是，像这样针对单一气象站的篡改，通常能靠人工监测或统计方法发现。这一次，正是一家法国气候公益组织的成员注意到了异常，并及时发出了警报。

但如果出现其他情况呢？

比如说，有人不再篡改单个气象站，而是远程同时修改大量气象站的数据，并且把每个站点的改动都控制在一个看似合理的幅度内。这样一来，每一条数据单独看都没有明显问题，却足以共同影响整体天气预测。

面对这种经过精心协调的数据操纵，现有的数据质量控制机制很难及时识别。同时，时间对于天气预报极为关键。全面检查数据及其元数据往往需要数小时甚至数天，但天气预报必须按时发布，不可能无限等待。

AI 参与天气预测让问题变得更加复杂，因为 AI 天气预测比传统数值天气预报更加依赖准确、可靠的观测数据。目前，欧洲中期天气预报中心的研究人员正在探索，是否能够直接利用原始观测数据生成高质量天气预报，跳过目前承担数据质量过滤作用的数据同化步骤。

还有一些研究者将地理空间数据、大语言模型以及智能体 AI 结合起来，希望在暴风雨等极端天气发生时，实现实时、自主的决策支持。这些新方法有望进一步提高天气预测的准确性和效率。但与此同时，当人类逐渐退出决策链条，也意味着一系列新的风险正在出现。

比如，像戴高乐机场事件一样，个别投机者为了个人利益篡改单个气象站的数据。再进一步，如果一群交易者协同操纵数据，使可再生能源发电量预测出现系统性偏差，就可能影响电力批发市场价格，让交易对手承担巨额损失。而最严重的情况，则是国家行为体或蓄意破坏者操纵一个甚至多个气象站，故意触发本不该启动的预警系统，或者压制本应发出的灾害预警。

风险会一步步升级：从金融欺诈，到削弱灾害防范能力，最终演变为国家安全问题。只要篡改观测数据仍然有利可图，攻击者就会不断寻找新的漏洞。因此，我们必须始终领先一步。

具体来说，可以从以下三个方面着手。

第一：守住气象站。数据质量控制不仅要关注数据本身，还应覆盖气象站的安全防护、异常检测与修正，以及人工审核。气象站需要持续监控，以防止人为篡改。同时，用于清洗历史天气记录的数据同质化（homogenization）方法，也需要进一步提速，最终实现实时发现和修正问题。

随着智能体 AI 越来越多地依赖这些数据进行实时决策，这一点将变得愈发重要。此外，人工监督依然不可或缺。无论是可疑数据还是模型输出，都需要专业人员进行判断。毕竟，这次戴高乐机场事件，最终也是人发现的。

第二：保护数据，才能保护 AI。必须在 AI 系统的整个流程中部署数据防护机制。AI 可解释性（AI explainability）和对抗稳固性（adversarial robustness）等技术，可以帮助我们理解模型所依赖的数据以及模型输出结果，更快发现数据或模型存在的问题，并提升系统抵御恶意攻击的能力。

第三：在整个链条中建立持续的问责机制。一份天气观测数据，从采集到形成天气预报，会经过许多环节：运行气象站的运营方、负责管理数据的国家气象机构，以及负责生成天气预报的预报中心。没有任何一个环节能够单独保证数据完整性。每个参与方只能守住自己负责的一环，因此，一旦发现异常，就必须让信息沿着整条链路快速传递——从气象站运营人员，到最终依据天气预报采取行动的人。

随着观测数据在天气预测中的重要性不断提升，我们也必须适应不断演变的新威胁。这意味着，需要进一步强化现有的监督和问责体系，加强数据与模型的安全保护，并提升各个关键参与方之间的协同能力。

https://www.technologyreview.com/2026/07/17/1140622/weather-data-sabotage/