2024 年 12 月，一块 Google Cloud TPU 用 8 分钟生成一份 15 天全球气象集合预报，在超过 97% 的检验指标上打败欧洲中期天气预报中心的超算系统——这不是科幻。两年后，这套能力已经走出论文，接入 NOAA、中国气象局、香港天文台的日常业务流程；Google Flood Hub 用 AI 模型把洪水预警送到 150 多个国家、约 20 亿人手中；第一颗能探测 5 米见方火点的 AI 卫星 FireSat 已经在轨拍下第一批野火影像。极端气候正在变得更频繁、更极端，而 AI 第一次以"业务化基础设施"的身份，站上了减灾防灾的第一线。
AI 气象已经从论文走进了国家级业务系统。NOAA、ECMWF、中国气象局都已把 AI 模型接入日常预报流程；洪水、野火、干旱、地质灾害的预警与响应链条被系统性提速和降本；但极端事件的系统性低估,仍是这套体系最根本的软肋。
传统数值天气预报（NWP）求解大气动力学方程组，这条路走了近 70 年，代价极其高昂——欧洲中期天气预报中心（ECMWF）跑一次高分辨率确定性预报约耗电 8400 千瓦时，单次运行成本高达 1000–20000 欧元。数据驱动的"气象大模型"提供了完全不同的路径：不解方程，而是从 1979 年至今的历史再分析数据中直接学习大气演变的统计规律。
GraphCast（Google DeepMind，Science 2023）：图神经网络确定性模型，0.25° 分辨率，10 天预报不到 1 分钟完成，多数指标优于 ECMWF HRES。GenCast（Nature 2024-12）：升级为扩散模型的概率预报系统，单块 TPU v5 约 8 分钟生成 15 天全球集合预报，1320 个检验目标中 97.2% 优于 ECMWF ENS，36 小时以上时效优势比例升到 99.8%。微软 Aurora（Nature 2025）：定位"地球系统基础模型"，天气/空气质量/海浪/热带气旋路径均可预报。NVIDIA Earth-2/CorrDiff：专做"降尺度"，比传统高分辨率数值预报快约 500 倍、能效高约 10000 倍。
值得注意：NOAA 国家飓风中心 2025 飓风季首次把 AI 模型正式纳入热带气旋预报业务流程——AI 气象模型已经从"辅助验证工具"变成了"决策链条的一环"。
洪水是造成经济损失最广泛的自然灾害之一，全球每年损失超过 400 亿美元，而 AI 在这一领域的覆盖速度是所有极端天气应用中最快的。
Google Flood Hub 从 2017 年起研发，早期依赖各国零散水文站数据，后转向全球统一的 LSTM 模型。截至 2025–2026 年，已覆盖 150 多个国家、约 20 亿人，提供近 25 万个预报点，并用"虚拟测站"技术覆盖完全没有地面观测的数据稀疏地区。河流洪水最长可提前 7 天预警；2025 年新增的城市内涝预警可提前 24 小时——训练方式颇具代表性：用 Gemini 分析数十年公开新闻报告，识别并结构化出跨 150 多国的 260 多万次历史洪水事件，反过来训练预警模型。微软 SAR 洪水模型基于 10 年合成孔径雷达数据，能穿透云层、夜间探测洪水，在埃塞俄比亚探测到的高风险区域几乎是既有数据集的 3 倍。
比预警本身更值得关注的，是 AI 催生出的一种全新人道援助形式——"预期性行动"：在洪水实际发生之前，根据预测结果直接向可能受灾家庭发放现金。2024 年 6–10 月，Google.org 资助的 GiveDirectly 和 IRC 在尼日利亚阿达马瓦州，于洪峰到来前 5–7 天向 3000 户家庭发放现金援助——非洲首个 AI 驱动的预期性现金救援项目。
把"提前知道"直接转化为"提前行动"——这套预测-援助闭环，比预警本身更接近 AI 在灾害管理中的终极价值。
编者按
野火探测的核心矛盾是时间——从起火到失控往往只有几十分钟，而传统卫星几小时才能重访同一地点一次。"卫星星座+AI"正在把这个时间窗口从"小时级"压缩到"分钟级"。
FireSat / 地球火灾联盟由 Google Research、Muon Space、环保基金会联合发起。长期目标是部署 50 多颗卫星组成星座，理论上可探测小至 5×5 米的火点，全球约每 20 分钟更新一次——但这是2030 年代早期的长期设计目标，2026 年底才能向早期采用机构提供每日至少两次数据。首星"Protoflight"于 2025 年 3 月发射，2026 年 7 月首三颗业务卫星发射，标志系统进入"初始运行能力"阶段。NOAA 下一代火灾系统（NGFS）融合 GOES 卫星数据与 AI，在 2025 年 3 月俄克拉荷马大规模火灾中对 19 处起火点提供初始探测，估计协助避免超过 8.5 亿美元结构财产损失——是该系统开发成本（不到 300 万美元）的 250 倍。
商业生态方面，旧金山初创公司 Pano AI 用摄像头+计算机视觉方案已部署于美西、澳、加，累计融资约 8100 万美元（有报道指出仍高度依赖人工复核）；生成式 AI（GAN/VAE）2024 年首次被用于加州和南欧大火场景，可秒级生成上千种火情蔓延模拟场景，辅助消防资源调度。
相比洪水和野火的视觉冲击力，干旱和热浪是"慢性"灾害，破坏力常被低估，但 AI 在这一领域的落地同样密集。微软 AI for Good 与天主教救济会用机器学习提前最多 4 个月预测马拉维南部粮食不安全状况，准确率达 83%。2024 年是有记录以来最热的一年——据《柳叶刀》报告，印度热浪造成约 2470 亿潜在劳动小时损失、约 1940 亿美元经济损失。
NOAA HAFS 三年测试数据显示，路径预报改进 8%、强度预报改进 10%，尤其擅长预测台风"快速增强"现象。华为盘古气象对台风眼未来 3 天、5 天位置的预测误差，相比 ECMWF 高分辨率系统分别降低约 26% 和 28%，2023 年 10 月起在香港天文台业务化，把台风路径预测耗时从传统方法的 5 小时压缩到 10 秒。滑坡方面，印度理工学院曼迪分校团队研发的低成本传感器+AI 方案，可提前最多 3 小时预警滑坡，准确率超 90%，已在喜马偕尔邦部署于 60 多个高风险点；2024 年台湾花莲地震后，基于 CNN 与视觉 Transformer 的工具在约 3 小时内识别出 7090 处滑坡、覆盖超 75 平方公里。
AI 在灾害管理中的价值并不局限于"预测"这一个环节，而是渗透进从灾前到灾后的完整链条。灾后损失评估是目前 AI ROI 最清晰的环节之一：德州农工大学团队研发的 CLARKE 系统，用无人机影像+AI 能在 7 分钟内评估一个 2000 户社区的建筑与道路损毁情况；微软 AI for Good 在夏威夷拉海纳大火（逾 100 人遇难、损失超 60 亿美元）中，4 小时内完成损毁评估，准确率 97%，直接为美国红十字会提供救灾地图。
2022 年联合国秘书长古特雷斯发起"全民早期预警倡议（EW4All）"，目标 2027 年实现全民覆盖。根据 WMO《2025 年全球多灾种预警系统状况报告》，全球已有 119 个国家（占比 60%）建立多灾种预警系统，较 2015 年增长 113%——但小岛屿发展中国家中只有 43% 拥有此类系统，是最突出的缺口。完善的预警系统可使灾害死亡率至少降低 6 倍，提前 24 小时预警可减少高达 30% 的损失。
中国的"妈祖（MAZU）"方案值得单独一提：Multi-hazard（多灾种）、Alert（预警）、Zero-gap（零差距）、Universal（普惠），整合风云卫星与"风雷""风清""风顺"等模型，是全球首个响应联合国全民预警倡议的国家级行动方案，据报道已宣布推动其在 30 个国家落地。
Google（DeepMind 气象模型、Flood Hub、FireSat）、微软（Aurora、AI for Good、SAR 洪水模型）、NVIDIA（Earth-2/CorrDiff）、华为（盘古）构成了这一领域的技术底座供给方。真正的资本驱动力在保险业：据怡安《2025 气候与巨灾洞察》，2024 年全球自然灾害经济损失约 3680 亿美元，其中仅 1450 亿获得承保，保障缺口高达 60%；飓风 Helene 以 750 亿美元损失居单一灾害之首。
这个巨大缺口，加上 State Farm 因野火风险在 2024 年起对约 7.2 万份加州保单不再续保的现实压力，让 AI 驱动的巨灾建模公司密集融资：ZestyAI（物业级野火风险建模）、CAPE Analytics（财产风险评估）、ICEYE（卫星洪水/火灾监测，2024-12 完成 6500 万美元 E 轮）。据 ZestyAI 对约 220 名保险高管的调查，68% 认为 AI 有助于更有效管理气候相关损失。初创生态方面，Pano AI、FloodMapp、Floodbase、Satellites on Fire、Pula（肯尼亚农业参数化保险）共同构成活跃的垂直创业生态。
AI 在极端气候场景中的进展是真实的，但伴随几个尚未解决、且相当根本的问题。
极端事件的系统性低估是学术界最一致的批评。发表于《Science Advances》的研究指出，物理模式 HRES 在破纪录极端事件预测上"持续优于 GraphCast、盘古气象和伏羲等最先进的 AI 模型"，AI 模型普遍低估高温、低温和强风纪录的强度——根本原因在于极端事件在训练数据中天然是稀有样本，且以均方误差为目标的训练方式天然倾向于生成"过度平滑"的预测场，从而抹平极端峰值。
把 2024–2026 年的进展摆在一起看，AI 已经从气候科学的边缘工具走到了国家级防灾体系的核心链条上——它能做的事情越来越多、越来越快、越来越省钱，但并没有、也不太可能在可预见的未来完全取代传统数值天气预报和地面观测网络。
真正务实的路径，是"AI+传统数值模式+人工研判"的混合体系：把 GenCast、盘古这类模型作为额外集合成员纳入现有预报流程，同时保留 HRES/ENS 这类物理模式作为极端事件的兜底方案。对发展中国家和资源有限的机构而言，更现实的建议是优先善用已经存在的国际公共产品——Google Flood Hub、中国"妈祖"方案、CEMS 的 GloFAS/GWIS 等大多免费或低成本开放，直接绕开本地观测网络稀疏的瓶颈。
三个值得持续追踪的问题：AI 在"常规"和"极端"场景下的能力差距会缩小还是被结构性放大？"最后一公里"的鸿沟会不会成为 AI 防灾红利分配不均的新证据？气候科技的"算力账"——训练与推理的综合能耗、碳足迹——该怎么诚实计入这项技术的总成本？极端气候不会等 AI 把所有问题都解决完,但从 GenCast 的 8 分钟预报，到 FireSat 卫星轨道上第一次拍下的野火影像，再到洪水到来前就已发到手机里的救助金——这些具体、可验证的进展，已经足以说明这不是一次"概念炒作"，而是一场正在发生、也仍在暴露短板的真实变革。