任何天气预报，都从一个看似简单却极其困难的问题开始：这一刻，整个地球的大气究竟是什么状态？
现代天气预报的第一台机器，不负责预测未来，而负责尽可能准确地重建现在。
得到当前状态以后，传统天气预报把地球大气表示成大量三维网格，再用物理方程一步一步向未来推进。
更细的网格、更复杂的物理过程和更多可能的未来，都意味着更多计算。
如果我们已经知道过去几十年大气是如何变化的，是否还需要每次重新求解全部方程？
训练完成以后，“运行一次未来”突然变得非常便宜。
真正重要的节点不是论文发表，而是气象中心愿不愿意把 AI 放进每天运行的业务系统。
天气具有不确定性，所以有用的预测不仅要告诉你“会发生什么”，还要告诉你“还可能发生什么”。
当 AI 进入美国国家级业务系统，计算效率的差异进一步变得具体。
路径主要受更大尺度的大气环流控制，而学习这些大尺度结构，恰好是当前 AI 模型表现很强的领域。
Better Track ≠ Better Intensity
确定性机器学习模型可能很好地预测路径，却低估气旋强度。平均误差优化，会让罕见极端值变得过于平滑。
AI 没有每次显式求解传统天气方程，不等于它已经摆脱了观测、数据同化和物理建模建立的基础。
AI 开始替代传统预测链条中的部分计算方式，但物理模型仍在高分辨率、耦合地球系统过程和初始状态中不可替代。