谷歌研究团队发布Scalable Ensemble Envelope Diffusion Sampler（SEEDS），一种基于扩散模型的生成式AI技术，能以传统物理模拟极小成本大规模生成天气预报集合，显著提升极端天气概率预测能力。
详细分析
天气预报的本质困境在于大气系统的混沌特性——初始条件的微小误差会随时间指数级放大，这正是洛伦兹在1972年提出的“蝴蝶效应”所揭示的核心问题。传统上，全球气象机构通过生成集合预报来量化这种不确定性：在初始条件中加入合成噪声，运行多次物理模型，用集合的离散度来表征概率分布。然而，这种方法计算代价极高，需要在超级计算机上反复运行复杂的数值天气预报模型，导致多数业务预报每轮只能生成约10至50个集合成员。对于需要评估罕见但高影响极端天气事件（如飓风、热浪、洪水）概率的用户而言，这一规模远远不够——若要将以低于10%的相对误差预测1%概率事件的可能性，理论上需要一万个集合成员。SEEDS的突破恰恰切中了这一痛点。它基于去噪扩散概率模型，仅需一至两个来自业务数值天气预报系统的预报作为条件输入，即可大规模生成集合成员。在技术指标上，生成的集合不仅在视觉上接近真实天气形态，在rank histogram、RMSE和CRPS等技能评分上匹配甚至超越物理集合，尤其在分布尾部（±2σ和±3σ极端事件）的概率赋值更为准确。更关键的是成本优势：在Google Cloud TPUv3-32实例上，SEEDS每3分钟可产出256个集合成员（2°分辨率），且可通过增加加速器线性扩展吞吐量，与超级计算机数小时的计算时间形成鲜明对比。这一成果发表在《Science Advances》上，标志着概率扩散模型——近年来推动媒体生成领域突破的生成式AI技术——首次被成功应用于天气与气候预报。从行业影响看，SEEDS的意义不仅在于技术路径的验证，更在于它可能重塑集合预报的经济学：当大规模集合的边际成本趋近于零时，应急管理机构、能源交易商、保险精算师等对尾部风险高度敏感的用户将首次获得可操作的高分辨率概率信息。谷歌近年来在天气气候领域的布局——从MetNet-3的24小时高分辨率预报到GraphCast的10天全球预报，再到如今的SEEDS——已形成从确定性预报到概率预报的完整技术栈，这对传统数值天气预报中心和商业气象服务市场构成了不容忽视的竞争压力。当然，SEEDS目前仍以业务模型输出为条件，其独立预报能力和对极端事件的物理一致性仍需更广泛的验证，但方向已然清晰：生成式AI正在从“预测天气”走向“量化天气的不确定性”。
当集合预报的边际成本趋近于零，气象服务的商业模式和公共决策范式都将被重新定义——SEEDS的真正冲击不在于它比超级计算机快多少，而在于它让“万级集合”从奢侈品变成日用品。