ECMWF 的 AI 天氣預報每次開算，起點都是物理模式給的

ECMWF 的兩個 AI 天氣模型，是同一天升上第二版的。2026 年 5 月 12 日，一次只出一份預報的 AIFS Single，和一次出 51 份的 AIFS ENS，一起換了版。跟它們同時上線的還有第三個東西：物理模式 IFS 的新版，編號 Cycle 50r1。

ECMWF 是歐洲中期天氣預報中心（European Centre for Medium-Range Weather Forecasts），有 35 個成員與合作國。IFS 是它的物理模式，用物理方程式把大氣一步一步往前算。

AIFS 是它自己訓練的機器學習模型。2025 年 2 月 25 日，AIFS 進入作業預報，跟 IFS 並行。這三個版本的關係，要從那天的新聞稿讀起。

同一份新聞稿寫了起點從哪來

新聞稿的頭幾句都是好消息。AIFS 在許多指標上勝過最好的物理模式，颱風路徑最多好 20%。這是 ECMWF 自己評自己的數字。

接著是最常被引用的那一句：機器學習帶來更快的速度，以及「做一次預報的耗電約少一千倍」。論文有更具體的寫法：十天的預報，在單張 A100 顯示卡上大約跑兩分半鐘。

同一份新聞稿往下讀，有一節叫「模型怎麼運作」。第一句是：「AIFS 做預報用的初始條件，和 IFS 相同。」

初始條件是預報的起點，也就是此刻全球大氣的樣子。新聞稿說，它來自前一次的短期預報，加上約 6,000 萬筆品管過的觀測。衛星、飛機、船、浮標的資料都在裡面。每六小時，這份起點餵進 AIFS 一次。

把觀測和前一次預報合成一個起點，這道工序叫資料同化（data assimilation）。做這件事的是物理模式那一側。

總幹事寫下「仍然依賴」

進作業那天，總幹事 Florence Rabier 在新聞稿裡說，這個里程碑「將改變天氣科學與預報」。

兩個月後，她在 ECMWF 自家季刊的社論裡寫了另一句：「AIFS 仍然依賴傳統天氣預報。」理由她寫得很直接。訓練和起跑，用的都是 ERA5 重分析（reanalysis）資料集，和 IFS 的作業分析。

ERA5 是 ECMWF 自己的資料集。論文寫，AIFS 第一版先拿 1979 到 2020 年的 ERA5 預訓練，再用 IFS 的作業分析微調。整個訓練用 64 張顯示卡，大約一週。

更早一期的社論，她講得更一般。這類機器學習方法「目前並沒有省掉資料同化」，它們仍然需要一個最佳的起點。

2025 年 7 月 1 日，系集（ensemble）版 AIFS ENS 也進作業。新聞稿說它比物理系集快十倍以上，耗電同樣約少一千倍。這兩個數字的前一句是：它「靠以物理為基礎的資料同化來產生初始條件」。

2018 年的一張算力表

起點那道工序有多貴，ECMWF 沒有公布現在的數字。我找到的是 2018 年的一份技術備忘錄。裡面有一張表，列出作業預報各個元件每天用掉多少節點小時。

我把表上的項目分成兩類加總。資料同化那一類，約占列出算力的 41%。預報那一類約占 49%，兩個比例都是我自算的。

這張表很舊，用的是當年的機器和解析度。備忘錄自己也說，有些很吃資源的工作沒有列進去。所以 41% 只能讀成 2018 年那張表裡的比例，不能當成今天的。

2026 年 1 月，NVIDIA 等機構的研究者在一篇預印本裡引了同一張表，寫的是「大約 40%」。他們的說法是，就算預報那一步變便宜，只要還靠傳統的資料同化，整套系統就繼承了上游那條管線的「延遲、成本和複雜度」。他們自己在做的，正是用機器學習取代資料同化的系統。

它不擅長的事，列成一張公開清單

ECMWF 有一個公開頁面，叫「AIFS Single 已知預報問題」，最近一次更新是 2026 年 9 月 2 日。

第一條是預報場過度平滑。第二條講小範圍的極端值。AIFS 的解析度約 28 公里，比這更小的極端，它「無法、也不應該」呈現峰值。頁面舉的例子包括颱風周邊的低層強風。

颱風強度，ECMWF 在 2026 年 8 月的部落格給了數字。2025 年的評估裡，沒修正的 AIFS 風速偏差將近負 29 節，也就是把風報得太弱。

他們跟劍橋大學合作，做了一個外掛的修正模型 AIFS-TC，把偏差降到約負 2 節。文章說這個做法「刻意做得很小」，不取代全球模型。它是研究原型。台灣的氣象署怎麼把 AI 天氣模型排進颱風作業，寫在颱風路徑圖那一篇。

系集版的新聞稿也寫了解析度的事。AIFS ENS 是 31 公里，物理系集是 9 公里。新聞稿說，後者對高解析度的場「仍然不可或缺」。

物理模式的新版是 AI 的新教材

回到 2026 年 5 月 12 日。

已知問題頁有一條講對流降水。第二版 AIFS 預報的對流降水變多了。頁面接著寫，這「出人意料地」跟 IFS Cycle 50r1 的變化相反。50r1 是同時上線的，而且「確實替 AIFS Single V2 提供了額外的訓練資料」。

物理模式的新版，是 AI 新版的一部分教材。

這句話我只照它寫的範圍讀。它說的是「額外」，不是全部，而且出現在講降水的那一條裡。

同一頁還有一條講海浪。50r1 修了一個波高欄位的錯，這個修正沒有反映在 AIFS 第二版的訓練資料裡。結果是訓練資料和作業時拿到的初始條件，分布對不上。

接在舊系統上的 AI，舊系統一動，就多一處要對齊。MD Anderson 的 Watson 是醫院換了病歷系統、沒有人重接。ECMWF 這裡兩邊同時上線，對不上的地方自己貼了出來。

省下一千倍的那一步，吃的是沒省的那幾步做出來的東西。

我認為 AIFS 現在是接在物理模式下游的一道工序。它的起點每六小時由物理那一側給一次，它的教材也是物理那一側產出的。「AI 省了幾倍」這種數字，要連它算的是哪一步一起讀。

AI 十天前就報出的那場雪

AIFS 贏的地方是真的。除了颱風路徑，論文說地面日射量和 100 公尺高的風速，它在中期預報上領先 IFS 約一天。這兩項是再生能源業者要的。

2025 年 1 月，美國墨西哥灣沿岸下了一場雪，好幾個測站破了降雪紀錄。論文說，這種事件在訓練資料裡找不到明顯的前例。AIFS 在十天前就報出來，比 IFS 早。

所以「下游工序」這個說法，低估了它的一面。同一個起點交到兩個模型手上，有些天氣是 AI 先看到。ECMWF 的預報與服務處長 Florian Pappenberger 說，兩者是互補的，由使用者決定哪個合用。

不靠資料同化的那條路

依賴關係也可能只是現在的樣子。NVIDIA 那篇預印本做的就是拿掉物理起點。摘要說，他們的系統接上現成的 AI 預報模型，系集預報落後 ECMWF 物理系集不到 24 小時。

有兩個數字我手上沒有。資料同化今天占 ECMWF 多少算力，我只有 2018 年那張表。AIFS 進作業之後，整條流程省了多少電、多少錢，ECMWF 沒有公布。

ECMWF 自己也在試。Rabier 在更早那篇社論裡提過內部的一套系統，訓練和預報都不用資料同化，直接從觀測出發。頭兩天的表現亮眼，之後目前還不如其他方法。她說，那是他們研究的做法裡，偏離物理預報「最激進的」一條 AI 路線。

查核備註：IFS Cycle 50r1 的上線日，我只從已知問題頁「同時上線」這句讀到，沒有另找公告核對。AIFS-TC 有沒有進作業，文章沒寫日期，我沒查到。各國氣象單位的預報員實際怎麼用 AIFS，沒有查。