清晨拉开窗帘，天气预报明明写着“晴”，天空却蒙上一层灰。走上街头，一阵风卷起尘土，不仅迷了眼，连嗓子也发干。很多时候，决定一天“呼吸体验”的，是大气中那些看不见、摸不着的微小颗粒——气溶胶。

气溶胶来源复杂、变化迅速，长期成为环境预报中的难题。近日，中国气象科学研究院研究员车慧正和中国工程院院士张小曳团队发布了全球首个气溶胶—气象耦合人工智能预报模型——AI-GAMFS。该模型仅需39秒，即可完成未来5天、时段精细至3小时的全球业务化预报，在沙尘、黑碳、硫酸盐等关键组分的预报精度上优于欧美主流物理模型。相关成果发表在《自然》。

论文第一作者、中国气象科学研究院副研究员桂柯告诉记者，AI-GAMFS仅需39秒就能完成54个关键环境气象要素的全球5天预报，这个速度有些太过“离谱”，一位审稿人决定亲自验证。他下载了全部数据和模型，在自己的服务器上复现了一遍。

“审稿人跑下来是40秒，和我们说的基本一致。模型运行非常顺畅，他确认我们没有夸大，随即给出了审稿通过的意见。”桂柯说。

“以前从没想过能发《自然》。”车慧正说，“但当你把基础打牢，把数据做好，把问题想透，机会来了，就能抓住它。”

从“气象预报”迈向“组分解析”

人工智能技术应用到天气预报业务，近年来已取得诸多进展，“盘古”“伏羲”等气象大模型，已能用AI快速预报温度、气压、风速等常规气象要素。然而，从“预报天气”到“预报大气成分”，是一次难度上的本质跃升。

“气象预报只需要考虑温、压、湿、风等物理量，但气溶胶预报，要把大气中的‘东西’拆开了看。”桂柯解释。

桂柯告诉记者，气溶胶并非单一物质，而是大气中一群来源各异、性格迥异的“居民”，通俗来说就是悬浮在大气中的各种颗粒物：城市雾霾中的硫酸盐、硝酸盐，来自人为排放；沙尘暴中的粗颗粒，来自戈壁沙漠；野火燃烧产生的黑碳、有机碳，来自森林和秸秆焚烧；甚至海面上的浪花飞沫，也会产生海盐气溶胶。

这些不同来源、不同成分的颗粒物，对人体健康、气候变化、生态系统的影响截然不同。

“细颗粒物深入肺部，影响呼吸系统；沙尘虽粗，却能遮蔽阳光、改变区域温度；黑碳沉降到冰川，会加速冰雪融化。”桂柯表示。因此，气溶胶预报不能只报“总量”，而必须把每一种组分“拆开”预报。

传统的预报方法，是将数值天气预报结果输入大气化学传输模型，模拟成千上万种化学反应和物理过程。但是，对气溶胶与气象之间复杂的“反馈”关系，传统模型往往力不从心。

车慧正解释道，复杂首先来自大气成分本身，“大气中有上万种大气化学组分，每一个组分从哪儿来？是人为排放还是自然过程产生的？来源极其复杂”。

更为棘手的是，这上万种组分之间时刻在发生反应。“谁影响了谁、联系程度有多大，这在数学上非常难表达。再加上阵风、降水等气象条件的变化，用传统方程体系去‘刻画’这些过程，准确率往往很低。”车慧正说。

另辟蹊径，让AI“看懂”大气

在AI-GAMFS诞生之前，全球主流气溶胶预报系统大多依赖超算中心庞大的CPU集群进行方程求解。“因为计算成本太高，传统系统一天只能预报两次。”车慧正说。

团队决定换一条路走。他们没有沿用传统模型中那些计算昂贵的动力学方程，而是尝试让AI直接从海量历史资料中学习气溶胶与气象耦合演变的规律。

经过多轮迭代尝试，AI-GAMFS从42年、12万时次的全球再分析数据中，精准捕捉那些复杂、非线性的相互作用，自己“悟”出了气溶胶与气象之间的演变规律。

训练完成后，AI-GAMFS的预报效率令人惊叹。只需输入当前时刻的全球大气状态作为初始场，它就能在39秒内，直接推演出未来5天、每3小时一次的全球气溶胶分布。

车慧正介绍，AI-GAMFS预报变量涵盖沙尘、硫酸盐、黑碳、有机碳、海盐等关键组分的光学厚度和地面浓度，空间分辨率达到50公里。相比传统模式一天只能预报两次，AI-GAMFS可以实现每天8次滚动更新，时效性大幅提升。

这项突破，也来源于中国气象科学研究院几十年的观测积累。

“气溶胶的遥感监测网络，是我从博士期间就开始做的。”车慧正向记者回忆起这段历程。他们从单点做起，逐步建立起覆盖全国的气溶胶观测网络，不仅解决了数据“准不准”的问题，还让中国的观测基准与欧洲、美国实现了统一。“有了这些宝贵的数据，我们才能进行模式的验证、AI的训练。”

桂柯的博士论文就是利用这些观测数据，做全球尺度的气溶胶变化研究。“当时只是为了摸清规律，没想到有一天，这些几十年的积累会和AI碰撞出这样的火花。”桂柯说。

桂柯提到一个有趣的发现，AI-GAMFS甚至能通过海盐浓度分布的变化，在一定程度上“追踪”台风路径。

“台风在海上生成、移动时，会把海面的海盐颗粒大量卷起，因此沿途往往伴随着较高的海盐浓度信号。虽然没有通过低压中心定位台风眼那么准，但能看到大模型确实学到了一些海气相互作用的物理逻辑，这很超出想象。”桂柯说。

严苛验证下的“真本领”

AI-GAMFS的“学习成果”到底准不准？这是国际学术同行最关心的问题。为了回应评审专家对预报精度的关切，团队展开了“地毯式”的验证。

他们不仅引入了全球气溶胶自动观测网和中国气象局气溶胶遥感观测网，还利用中国气象局大气成分观测网的数据，在中国境内多个观测点进行了深度评估。

验证结果令人振奋：在全球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模型；在美国西部野火频发区，黑碳预报误差比美国NASA的GEOS-FP模型降低64.4%到86.2%；在中国区域，对黑碳、有机碳和硫酸盐的地面浓度预报全面优于国际主流模型。

目前，AI-GAMF已在中央气象台及甘肃、陕西、宁夏等10余个省级气象部门落地应用，并已接入中国气象局“妈祖（MAZU）”全民早期预警云平台，开始为全球提供预报服务。车慧正提到，这种全球覆盖能力具有极高的科技性价比，以往的预报模型具有强烈的地域属性，美国的模型在美国报得准，但在中国或中亚可能就“水土不服”。AI-GAMFS则实现了各区域均衡的高精度，并且对算力门槛的要求极低。

站在新的起点上，团队将目光投向了提前15天的气溶胶预报。“这个领域在世界上仍是空白，对于光伏发电、电力调度等行业，如果能提前半个月预知沙尘来袭，就能更精准地进行能源调度，大幅节约成本。”桂柯说。

此外，团队正试图发挥人工智能非线性拟合能力，彻底解决大雾、强沙尘天气下的能见度预报难题，为飞机起降和船舶出港提供决策依据。

相关论文信息：https://www.nature.com/articles/s41586-026-10234-y