早上七点二十，手机弹出提示：四十分钟后有小雨。你带伞出门，一路晴到公司。AI 参与天气预报之后，这类落差没有消失，只是换了样子：分钟级的降水提示变多了，台风落区画得更细，可「报了雨却没下」依然常见。速度快了，误差的减少却不均匀。下面讲清三件事：它快在哪、错从哪来、一条预报该怎么读。
省下来的不是时间，是重跑的次数
传统数值预报的做法是解大气运动的方程组：把当前观测拼成初始场，再一步步往前推。方程本身不神秘，贵在算力——分辨率提高一倍，计算量涨好几倍，跑一次全球模式要占用大规模集群很久。于是做集合预报时，成员数只能压着来。
AI 预报模型走的是另一条路：从几十年的历史再分析资料里学「这样的初始场，通常演化成什么样的形势」，一次推理的时间从小时级压到秒级到分钟级。速度的意义不在于让你早几分钟看到结果，而在于同样的预算下可以跑几十上百个成员，得到的是一个分布。有了分布，「降水概率六成」这句话才有依据。
四段链路，各自的天花板不一样
把从观测到预警的过程摊开，每一段能做到什么、做不到什么，差别比想象中大：
| 环节 | 能做 | 不能做 |
|---|---|---|
| 观测与初始场 | 把卫星、雷达、地面站、探空的数据拼成覆盖全局的初始场，补上缺测区域的估计 | 让稀疏观测区与实况一样准；自动纠正某个传感器的系统性偏差 |
| 短时临近（两小时内） | 识别雷达回波的移动与强弱趋势，给出分钟级的降水提示 | 报出还没生成的对流单体；越过生消阶段直接外推 |
| 短期与中期形势（一到十天） | 快速给出多成员集合，给出环流形势、温度与降水的区间 | 在训练资料里少见的环流型下保持稳定；替代预报员做订正 |
| 预警与影响评估 | 把结论转成分区提示、影响范围与时段估计，生成初稿 | 决定发不发、发到哪一级；承担发布之后的后果 |
成熟度最扎实的是第一行和第三行：前者靠数据同化的长期积累，后者靠算力换来的集合规模。第二行看着简单，实际最难——雷达外推在单体成形时好用，遇到新生的雷暴，历史回波里没有可推的轨迹。第四行不属于技术问题，发不发预警，是权限与责任的分配。
混沌是物理限制，算力填不平
大气的演化对初始条件极度敏感。两个初始场只差一点点，几天之后的形势可以完全不同，这就是初值误差的倍增。它带来一个硬约束：不管模式多精细、算力多充足，可预报时效都有一个上限，超过之后，预报技巧会迅速衰减到气候平均的水平。
AI 没有绕开这条约束，只是把「跑得动」的门槛降下来了。它做的是在已有的可预报窗口内，用更低的成本把可能性铺得更开。所以看到「预报时效延长了几天」，要分清是长期平均技巧的提升，还是个别个例的表现；前者要靠模型评估指标的长期对比来确认。
极端天气在训练资料里本来就少
模型的损失函数偏爱「平均意义上不出错」。绝大多数日子是平常天气，模型在这些样本上学得最充分；台风、特大暴雨、罕见寒潮在几十年的资料里只占极小比例，模型见得太少，输出就容易往气候平均靠，把极值抹平。
还有一层更麻烦：气候本身在变。用于训练的历史资料对应的是过去的气候背景，当海温、环流、城市下垫面都发生变化，历史规律与新情况之间就出现缝隙。这类现象在数据漂移的成因与表现里有更一般的描述——模型上线那天起，它面对的世界就已经和训练时不完全一样了。
数据质量决定上限，模型只决定离上限多近
同一套模型，喂进不同质量的观测，结果可以差出一个量级。雷达定标偏了，回波强度整体偏移，降水估计跟着偏；地面站维护不到位，读数漂移几个月没人发现。模型再强，也只能在这些输入上做推演。
所以真正拉开预报水平差距的，往往不在换了哪个模型，而在观测网的密度、定标的频次、资料同化的功夫，以及训练数据的覆盖与清洗。这些活不出现在演示里，却决定了模型有没有可学的东西。判断一个预报产品靠不靠谱，问它用什么资料、多久校准一次，比问它用多大的模型有用。
它报不出你家楼下那场雨
城市尺度上，一条街下雨、隔壁不下，是常态。对流单体的水平尺度常常只有几公里，业务模式的分辨率还在公里级，一个格点代表的是一个区域的平均状态，落不到具体某个路口。地形也会插一脚：山前抬升、城市热岛、海陆风，都能让降水在很小的范围内重新分布。
还有一层是「预报有雨」与「你那下雨」的区别。前者说的是一个区域、一个时段内的概率，后者是一个具体位置的具体时刻。把概率读成承诺，是绝大多数失望的来源。台风、暴雨这类灾害性天气，仍要以官方气象部门发布的预警为最终依据，模型输出只能作为理解形势的参考。
读一条预报，看四个地方
第一看概率，不看措辞。「局部有雨」和「降水概率七成」的信息量差得很远。第二看范围，落区画得多大，边缘地带本来就不确定。第三看时效，越往后越该当成趋势而不是结论。第四看更新，强对流天气的提示几小时就变一次。
速查：读天气预报的四条
- 看概率和落区，别只看「有雨」两个字
- 短时临近的提示几小时一变，出门前再看一眼
- 极端天气的预报偏保守，宁可按更坏的情况准备
- 灾害性天气以官方预警为准，模型结论只作参考
