

> **导语**
> 在休斯顿美国气象学会上，英伟达发布的 Earth-2 模型套件以 Transformer 架构取代传统物理模拟，不仅在 70 项变量上超越谷歌 DeepMind，更将原本需耗时数小时的数据同化过程压缩至分钟级，开启气象预测的“实时时代”。

## 架构革新 性能超越谷歌 GenCast

面对极端气候频发的挑战，英伟达推出的 Earth-2 Medium Range（中程预报模型）展示了 AI 介入气象领域的统治力。官方实测数据显示，该模型在涵盖风速、气压、湿度等 **70多个气象变量** 的预测精度上，全面优于谷歌 DeepMind 于 2024 年末发布的 GenCast 模型。

这一突破的核心在于底层逻辑的重构。英伟达并未沿用依赖复杂手工物理模拟的传统路径，而是采用了基于 **Atlas** 的全新架构。英伟达气候模拟总监迈克·普里查德指出，这代表气象科学正在经历一场“回归简洁”的范式转移。通过摒弃碎片化的小众 AI 架构，转向具有高度可扩展性的 **Transformer** 架构，Earth-2 能够更高效地处理海量大气数据。

![Google_AI_Studio_2026-01-27T03_19_27.457Z.png](https://static.downly.cn/images/07d226e11927e01bc4a53c000d3c43dd.png) <center>图源备注：图片由AI生成</center>

## 全生态布局 三大支柱构建防御网

Earth-2 并非单一模型，而是一个针对不同时间跨度与应用场景的完整生态系统。

首先是 **临近预报模型（Nowcasting）**，专注于未来 0 至 6 小时的极短期预测。该系统直接利用全球地球静止卫星数据进行训练，突破了传统物理模型受限于特定区域的短板，能够敏锐捕捉风暴路径及突发危险天气。

其次是 **全球数据同化模型**，这是整个套件的效率核心。传统模式下，整合气象站与气象气球数据的“初始快照”生成过程需要超级计算机满负荷运转数小时。而 Earth-2 利用 **GPU 加速**，将这一过程压缩至 **几分钟** 内完成，极大释放了计算资源。

最后是 **高分辨率与变量建模**，集成了用于生成快速高分辨率预测的 **CorrDiff** 工具，以及专门针对温度、风速等单变量进行精细化建模的 **FourCastNet3**。

![Google_AI_Studio_2026-01-27T03_19_30.292Z.png](https://static.downly.cn/images/44ed3b44e52e09d775be0ae6cbb59da5.png) <center>图源备注：图片由AI生成</center>

## 气象主权下放 让超算不再昂贵

长期以来，高精度的天气预报是富裕国家和科技巨头的“特权”，其背后是昂贵的超级计算机租赁成本。普里查德强调，“天气是国家安全问题，主权与天气密不可分。” Earth-2 的高能效特性显著降低了这一门槛，使发展中国家和中小型机构有能力建立自主的精准预报系统。

目前，该技术已快速进入实战部署。以色列和台湾地区的气象部门已率先采用 **CorrDiff** 技术，而 The Weather Company 与道达尔能源（Total Energies）正在评估 **Nowcasting** 在能源调度与灾害预警中的实际价值。

搜索结果: 气象预测