谷歌研究团队发布了基于扩散概率模型的生成式AI工具SEEDS，能以极低成本大规模生成天气预测集合，有效量化预报不确定性，尤其提升了罕见极端天气事件的预测精度。
详细分析
天气预报的准确性直接关乎民生与防灾决策，但传统数值天气预报存在固有局限：由于大气系统的混沌特性（即“蝴蝶效应”），单一确定性预报难以刻画天气的不确定性，尤其是对台风、热浪、洪水等极端事件的预测尤为困难。为此，全球气象机构普遍采用集合预报方法，通过引入初始扰动和随机物理过程生成多个预报样本来量化概率，然而这一方式计算成本极高——在超级计算机上运行复杂物理模型通常只能生成10至50个集合成员，远不足以准确评估概率低至1%的极端事件。谷歌发表在《科学进展》上的SEEDS模型正是针对这一痛点设计：它基于去噪扩散概率模型（一种最先进的生成式AI技术），仅需1至2个来自业务数值预报系统的预报作为条件，即可高效生成多达256个集合成员（在谷歌云TPUv3-32实例上仅需3分钟），且计算成本可忽略不计。实验表明，SEEDS生成的集合在秩直方图、均方根误差（RMSE）和连续概率排名评分（CRPS）等指标上均不低于甚至优于传统物理集合，尤其是对±2σ和±3σ的极端天气尾部分配了更准确的概率。这一技术突破意味着：气象机构不再需要为了获取更大集合而投入巨资扩容超算，而是可以利用AI低成本、高效率地补全预报分布，使能源交易、应急管理等对极端事件敏感的用户获得更可靠的决策支持。从行业格局看，谷歌此前已推出MetNet-3（高分辨率24小时预报）和GraphCast（10天全球预报），SEEDS进一步补齐了“概率量化”这一关键缺口，形成了从确定性到概率性、从短期到中期的完整AI预报链条。这不仅是气象和气候科学领域的里程碑式应用（概率扩散模型首次用于气候集合预报），也标志着生成式AI正从图像、文本生成向高价值物理模拟领域渗透，或将重新定义未来天气预报的生产与使用方式。
SEEDS将生成式AI从内容创作拓展到科学计算，展示了扩散模型在物理不确定性量化中的巨大潜力——当气象机构还在为‘跑更多集合’的算力成本发愁时，AI已能以三个数量级的速度优势打开新路径。