天气预报突破两周魔咒：微软用机器学习给模型「纠偏」，登 Nature 且开源

一分钟速览

• 传统物理模型和 AI 模型在两周以后都会明显失准，微软称用机器学习解决了这一难题。
• 方法名为「概率偏差校正」（PBC），不是另造一个新模型，而是给现有模型纠偏。
• 成果发表于权威期刊 Nature，工具已经开源，而且可以只跑在 CPU 上。
• 实测：ECMWF 的物理模型在 98% 的降水目标、92% 的温度目标上精度提升；对新版 AI 模型精度翻倍。
• 目标场景：让农民与应急部门对两到六周后的天气有更确定的判断。

老式的物理天气预报，以及近年兴起的 AI 天气模型，都有一个共同的软肋：预报超过两周，准头就迅速下降。微软研究院声称找到了一个用机器学习解决它的办法，而且成本不高——这让资源有限的天气机构也能用上 AI 来提升精度。

不造新模型，而是「纠偏」

微软这次没有再造一个独立的天气大模型，而是用机器学习去校正现有模型里的系统性偏差。物理建模非常耗资源，要在超级计算机上跑；生成式 AI 则依赖强大的 GPU。而据微软研究院新英格兰分部的高级首席研究员 Lester Mackey 介绍，这套新工具只跑在 CPU 上就够了。他表示，自己对「天气预报更高的资源效率」以及「更长的可靠预报期，尤其是极端天气」都抱有期待。

偏差从哪来？物理模型试图模拟地球大气的复杂物理过程，AI 模型则从历史数据里找规律。两种方法都要用近似来填补数据缺口——可能是气象站稀疏的地区，也可能是科学家尚未完全理解的大气现象。这些「脑补」的方式会固化成一种系统性偏差，预报越往远期推，误差越会被放大。

PBC 是怎么工作的

微软把这套方法叫做「概率偏差校正」（Probabilistic Bias Correction，PBC）：用机器学习识别模型里的系统性偏差并加以修正。Mackey 举了一个例子——校正气候变化带来的影响。化石燃料排放正在让地球变暖，但天气模型可能基于历史记录做预测，从而偏向比现实更冷的温度。

研究团队发现，PBC 让欧洲中期天气预报中心（ECMWF）的领先物理模型在 98% 的降水目标和 92% 的温度目标上提升了精度，同时把 ECMWF 新版 AI 模型的精度提高了一倍。论文当天发表在 Nature 上，相关工具以开源软件的形式发布。

趋势洞察

微软的加入，意味着 AI 天气预报赛道已经从「谁造出更强的模型」，进入「谁能把现有模型的系统性误差压下去」的第二阶段——谷歌、英伟达等公司都在布局。PBC 的价值不在于又一个榜单冠军，而在于它把「纠偏」这件事做成了轻量、开源、CPU 可跑的通用组件：气象部门不必更换整套系统，就能买到确定的精度增益。对农业、保险、应急管理等高度依赖中长期预报的行业来说，未来两到六周的预报可信度，可能比「一周内更准」更有商业价值。