一分钟预报全球气溶胶，中国AI模型登上Nature-知了AI

沙尘暴提前五天被算准，气象AI交出 Nature 级答卷

中国气象科学研究院牵头研发的全球首个气溶胶预报AI模型AI-GAMFS成果登上《Nature》正刊，并被世界气象组织官方转载。模型基于42年全球12万时次气溶胶再分析资料训练，1分钟内完成全球范围5天、逐3小时的业务化预报，空间分辨率50公里，精度在全球多数站点超越欧洲中期天气预报中心的CAMS系统。传统数值方法要算数小时的活，它一分钟干完，还快了近千倍。

这项成果的价值不只在学术期刊上。从沙尘暴预警到空气污染防治，从航空调度到气候变化研究，气溶胶预报都是刚需能力，而AI-GAMFS已经完成了从科研攻关到业务落地的全链条闭环——它不是概念验证，而是在岗的”大气医生”。

AI-GAMFS是什么：一个模型管住五十四个变量

全球首个气溶胶与气象耦合的AI预报模型

气溶胶是悬浮在大气中的微小颗粒，沙尘、硫酸盐、黑碳、有机碳、海盐都属于这个家族。它们既影响空气质量，也影响云的生成和气候辐射，是天气预报和气候研究里最难啃的变量之一。传统做法依赖数值模式，要在超级计算机上求解复杂的大气物理方程，一次全球预报动辄数小时。

AI-GAMFS用深度学习重构了这条管线。模型包含13亿个参数，基于42年、12万时次的全球气溶胶再分析资料训练，一次输出就能覆盖沙尘、硫酸盐、黑碳、有机碳和海盐等关键组分的光学特性、地面浓度以及相关气象要素共54个关键变量，预报时效5天、时间步长3小时、空间分辨率50公里，每天可滚动预报8次。

精度有多硬：用观测数据说话

预报模型的成色要用独立观测验证。基于全球气溶胶自动观测网的检验显示：全球61.6%的站点上，AI-GAMFS的气溶胶光学厚度预报误差低于欧洲中期天气预报中心的CAMS；86.0%的站点上，沙尘光学厚度预报表现更优。在东亚沙尘暴预报这个关键领域，模型把误差降低了38%到74%，显著领先多个主流区域数值预报系统。

2025年4月的一次实战检验颇具说服力：北方强沙尘暴远距离传输入侵四川盆地，AI-GAMFS提前120小时精准预报了沙尘抵达的时间和强度，预报与实况高度吻合，为应急响应争取了宝贵的准备窗口。

和传统数值预报怎么比

对比维度	AI-GAMFS	传统数值预报CAMS
单次全球预报耗时	约1分钟	数小时
计算速度	较数值方法快近1000倍	依赖超级计算机
预报时效与步长	5天、逐3小时	5天、逐3小时（相当）
空间分辨率	50公里	相当量级
气溶胶光学厚度精度	61.6%站点更优	38.4%站点更优
沙尘光学厚度精度	86.0%站点更优	14.0%站点更优
滚动频率	每日8次	滚动频率较低

需要说明的是，AI气溶胶预报并非要取代数值模式。数值方法基于物理机理，擅长解释”为什么”，是极端新情景下的保险；AI方法基于历史规律，擅长又快又准地复现常见天气型。两者的关系是协同——正如团队所说，全球气溶胶预报正从传统数值模式支撑，迈向数值模式与人工智能协同支撑的新阶段。

二十年的地基：模型为什么诞生在中国

先有观测网，才有训练数据

AI预报模型的成败，数据占一半。团队带头人车慧正研究员牵头建成了亚洲最大的气溶胶地基遥感探测网，研发了具有国际先进水平的辐射定标方法和反演技术，并研制出具有自主知识产权的国产观测设备。二十余年积累的观测数据与定标技术，为AI-GAMFS提供了高质量的训练底料。这也是42年再分析资料能够被有效利用的前提——没有扎实的地面真值，再好的算法也会学歪。

从论文到业务的中试通道

科研模型变成业务系统，中间隔着一条著名的死亡谷。中国气象局通过天气预报科技成果中试基地为AI-GAMFS提供了业务准入通道，模型先后在中央气象台及新疆、宁夏、内蒙古、甘肃、陕西等十余个省区市气象部门上岗运行。国际层面，模型正式接入”妈祖（MAZU）”全民早期预警平台，面向全球提供预报服务，发布消息获世界气象组织官方账号转载。这套”科研—中试—业务”的流水线，比模型本身更值得其他领域借鉴。

气溶胶预报改善的是什么

对防灾减灾的直接价值

沙尘暴是典型的跨区域灾害，起沙在西，影响在东，预警窗口决定应对质量。提前五天知道沙尘何时抵达、强度多大，卫生部门可以发布健康提示，学校可以调整户外活动，机场可以预排航班计划，施工工地可以安排防护。气溶胶预报的每一小时提前量，都在兑换成实实在在的应对从容。

对污染治理的科学价值

在污染防控上，精细的组分预报还能帮管理者分清”外来输送”与”本地积累”。过去污染过程的责任归因常起争议，而逐组分、逐时段的预报与观测比对，能为区域联防联控提供更客观的依据。研究团队此前基于长时序数据发现，2013至2020年间我国人群细颗粒物年均暴露水平下降48%，其中减排是主导因素——这类结论正是建立在气溶胶观测与模拟能力之上的。

对气候研究的长线价值

气溶胶的气候效应是气候敏感度评估中最大的不确定项之一。一个可以高频滚动、覆盖全球组分的气溶胶预报模型，能为气候模式提供更可靠的约束数据。团队下一步计划研发我国自主气象再分析数据驱动的区域精细化环境气象AI模型，并推动模型在生态环境、交通运输等领域应用。

AI气象预报的星辰大海

AI-GAMFS不是孤例。近年来AI天气预报在降水、台风路径等方向接连突破，多家机构的模型已在业务中与数值模式并行运行。气溶胶这一关被攻克，意味着AI方法从”预报天气”扩展到了”预报大气成分”，覆盖面再下一城。可以预期的下一步是：更多要素的AI模型陆续上岗，算力成本的大幅下降让高频滚动成为常态，预报员的角色从”算结果”转向”判解释”。

对中国科研体系而言，这项成果还示范了一条完整的创新链路：国产观测设备打底，长时序数据积累，深度学习方法突破，中试基地打通业务准入，国际平台放大价值。AI气象预报的竞争，归根结底是数据、算法和业务化能力三条线的综合较量——这一次，三条线都跑在了前面。

延伸解读：气溶胶预报改变的三张地图

第一张：公众生活的健康地图

从”今天有霾”到”三天后沙尘几点到”

对普通人来说，气溶胶预报能力的跃迁，最直观的体感是预警的颗粒度变了。过去的空气提示大多是”今日有沙尘、注意防护”这类定性表述；如今AI-GAMFS可以给出组分级的预报——沙尘何时抵达、浓度峰值在几点、持续多久、第二天会不会消散。健康建议随之变得可执行：哮喘儿童的家庭知道该在哪一天备好药物，户外工作者知道哪半天该调整作业时段，马拉松组委会知道要不要改期。预报的价值，正是在这些具体决策里兑现的。

敏感人群的个性化预警

空气质量对人群的影响并不均匀，老人、儿童、心肺疾病患者的敏感度差异很大。组分级的气溶胶预报打开了一种新的服务形态：面向敏感人群的个性化健康预警。结合医学研究里不同组分对健康影响的差异，未来的预警可以是”今晚沙尘以粗颗粒为主，对呼吸道刺激相对可控”或”细颗粒浓度将升高，心肺疾病患者减少外出”。预报越精细，公共卫生干预就越精准。

第二张：区域治理的决策地图

分清”输来的”和”自己产的”

大气污染治理中最棘手的问题之一是责任界定：一次污染过程，多少来自本地排放，多少来自外来输送？传统上依赖事后溯源，争议大、时效差。气溶胶预报模型的组分级、时间步长级输出，让管理者可以提前预判污染物的”来路”——如果是远距离沙尘输送，本地应急侧重健康防护；如果是本地积累，则启动减排措施。预报从事后解释者变成事前决策依据，这是治理逻辑的实质升级。

区域联防的技术底座

跨区域联防联控依赖各地对同一污染过程的一致认知。统一的高精度气溶胶预报，为不同省市提供了共同的”作战地图”：大家看同一份预报、按同一时间表启动措施、用同一套数据复盘效果。模型已在十余个省区市业务运行，客观上充当了区域协同的数据语言。随着更多省份接入，这张协同网络的覆盖面会继续扩大。

第三张：气候变化的研究地图

补上气候模拟的关键短板

在气候科学里，气溶胶的辐射效应是最大的一块不确定性：不同组分的吸收与散射特性差异巨大，对云的间接影响机理复杂。高频滚动的全球气溶胶预报数据，为气候模式提供了前所未有的观测约束，可以帮助科学家收窄气候敏感度的估算区间。模型产出的长期数据积累，本身就是一份气候研究资产。

极端事件归因的新工具

当异常天气事件发生时，社会总要问一句”这正常吗”。有了覆盖全球、逐3小时的气溶胶数据流，研究者可以把具体事件放到历史分布里做快速对比，判断其罕见程度与可能成因。这类快速归因能力，正在成为气候沟通的重要工具——把复杂的科学问题，翻译成公众能理解的明确回答。

全球棋局中的中国位置

从跟跑到并跑再到局部领跑

AI气象预报的全球竞赛里，欧美起步早、算力强，一度全面领先。AI-GAMFS选择气溶胶这个细分方向切入，避开正面赛道、直击痛点空白，最终做到全球首个并登上《Nature》，是典型的差异化突围。加上接入”妈祖”平台面向全球提供服务、获世界气象组织转载，中国气溶胶预报能力完成了从跟跑到局部领跑的位置转换。

国际公共产品的定位

值得强调的是这项成果的公共属性。沙尘与空气污染是跨境问题，任何单一国家的预报都解决不了邻国的问题。把气溶胶预报能力接到面向全民早期预警的国际平台上，本质上是把一项技术成果转化为全球公共产品。这种”技术输出+平台共享”的模式，比单点技术领先更能积累国际信任，也为后续更多中国气象AI模型出海铺了路。

补记：一次气溶胶预报的成功如何被复制

可复制的是方法论，不是运气

其他领域的团队想借鉴这条路径，值得提炼的是方法论而非结果。第一，先盘点数据资产：气溶胶预报的成功建立在二十余年观测网与定标技术之上，任何AI预报尝试的第一步都是回答”我手里的数据够不够格”。第二，选对切口：气溶胶预报之所以成为突破口，是因为传统数值方法在这里又慢又贵，AI的相对优势最大——寻找类似的”传统方法痛点区”，比追逐热门方向更容易出成果。第三，打通业务通道：气溶胶预报模型从论文到上岗用了很短时间，靠的是中试基地这条制度管道，没有这条管道，再好的模型也停在演示阶段。

下一个”气溶胶”在哪里

沿着同样的筛选逻辑，可以猜测AI气象预报的下一个突破口：大气化学成分的耦合预报、海洋与大气交界面的通量估计、城市尺度的热环境模拟，这些方向同样具备”机理复杂、计算昂贵、数据有积累”的特征。气溶胶预报趟出来的路径——长时序数据训练、独立观测验证、业务准入中试——会成为这些方向的模板。科学计算领域正在迎来一场静悄悄的替换：凡是传统数值方法算得又慢又贵的环节，都值得被AI重做一遍。

补记：气溶胶预报数据的二次价值

一个常被忽略的事实是：气溶胶预报模型的产出不止服务于预警，它本身就是可复用的数据资产。每天八次滚动预报积累下来的组分级数据流，经过整理后可以服务于多个下游领域——航空部门用它评估航路能见度风险，光伏电站用它预估气溶胶对发电效率的影响，交通管理部门用它安排高速公路的封闭预案，流行病学研究用它构建污染暴露的健康队列。一份气溶胶预报数据流转到不同部门，就派生出不同的决策价值，这是它区别于传统预报产品的最大特征。

数据资产的另一个价值在于迭代：每天的实况观测与预报对比，就是模型改进的免费标注。预报运行得越久，积累的对比样本越多，下一版模型的训练底料就越扎实。业务运行与模型迭代由此形成闭环——这也是为什么”业务化运行”比”论文发表”更值得庆祝：前者意味着飞轮开始转动，后者只是飞轮的第一次推动。