OpenClaw—AI研究总部位于美国帕罗奥图的初创公司 Windborne Systems 于 6 月 1 日发布天气预报大模型 WeatherMesh 6,首次在 10 天以上中长期预报的核心指标上超越欧洲中期天气预报中心 ECMWF 的业务系统。这是自 2015 年深度学习进入气象领域以来,首次由非政府机构在公开基准上反超国家级气象中心,被认为是 AI for Science 领域又一个里程碑式的突破。
WeatherMesh 6 的核心技术是把全球气象卫星数据、地面观测站、海洋浮标和探空气球四类异构数据统一编码到同一个图神经网络中,模型规模达到 1.2 万亿参数。训练数据横跨 1940 年到 2025 年共 85 年的历史再分析资料,并通过自监督对比学习补全观测稀疏区域的数据,这一策略让模型在南极、远洋等人烟稀少地区的预报精度大幅提升。
图1展示了 WeatherMesh 6 与 ECMWF 在 5 天、10 天、15 天三个预报时效上的均方根误差对比,WeatherMesh 在三个时段均明显领先,15 天长周期预报的优势最为显著。
对比测试在 2025 年全年台风季、寒潮、沙尘暴三个高影响天气过程上进行。WeatherMesh 在台风路径 5 天预报准确率上比 ECMWF 提升 12%,寒潮 7 天预报的温度误差降低 0.8 摄氏度,沙尘暴的 72 小时起报时间提前 18 小时。所有测试均按照气象学界公认的公平评估协议进行,确保结果可复现。
图2是 WeatherMesh 6 对 2025 年 7 月台风卡努的路径预测与实况对比,模型提前 7 天就准确锁定登陆地点,而 ECMWF 同期预报的登陆区域偏差达到 280 公里,这一差距对沿海城市防灾部署具有决定性意义。
气象行业从业者对这项突破反应不一。传统数值预报派认为大模型在极端事件上仍存在物理不一致性,完全替代业务系统尚需时日;AI 派则认为这是行业范式转变的临界点,未来 5 年 ECMWF、NOAA 等机构都将转向大模型路线,部分传统岗位面临转型压力。
图3是 Windborne 团队在发布会现场介绍模型架构,核心贡献者多为前 DeepMind 和 Meta AI 实验室的研究员,团队规模 35 人,过去三年累计融资 4.8 亿美元。
Windborne 已经与几家航空公司和远洋航运公司签订商业合同,WeatherMesh 6 的 API 按调用次数收费,单次预报成本比传统数值模式低两个数量级。公司下一阶段计划把模型扩展到气候模拟和空气质量预报,目前已经与美国环保署、加州空气资源委员会启动预研合作。
业内人士指出,WeatherMesh 6 真正的意义不在于商业前景,而在于它验证了大模型在科学计算领域的潜力,海洋、地震、材料等其他基础科学领域都可能复制类似突破。下一个值得关注的赛道是高能物理实验数据分析和蛋白质结构预测。