AI气象模型那么多，风清为啥非要讲物理
气象圈里有个争论一直没停过：AI预报到底要不要懂物理？纯数据驱动派的逻辑很直接，你给我四十年的历史数据，我就能学会大气的脾气。但AI本质上是模式识别，它学到的是“过去发生过什么”，而不是“大气为什么会这样运动”。遇到没见过的极端天气，它本能地往常态靠，这很危险。
“风清”的选择是把物理约束塞进模型里。在Swin-Transformer架构中加入大气物理守恒约束，相当于给AI设了个底线，你可以快，但不能违反基本物理规律。再搭配扰动生成模块，从初始场不确定性到模式不确定性都能覆盖，最终生成的集合预报才有实际参考价值。
结果不必多说，“风清集合V1.0”依托超算互联网核心节点，全球500百帕位势高度距平相关系数>0.6的有效预报时效达11天，连续分级概率评分、离散度-误差比等关键指标表现良好，综合效果、部分指标甚至超越欧洲中期天气预报中心的人工智能集合预报系统。
我觉得，风清的价值不在于它是不是最强，而在于它证明了一条路，物理和AI不是二选一，而是可以互相成就。
AI预报 极端天气