GenCast 论文解读：扩散模型如何把 AI 气象推向概率预报前沿

如果你做风电、光伏的资源评估或功率预测，过去几年大概已经习惯了一个叙事：AI 气象模型在确定性预报上追平甚至反超传统数值天气预报（NWP）。但对新能源调度、爬坡风险、极端天气备件这些真正花钱的环节来说，单条"最可能"的预报远远不够——你需要的是一整族可能的未来，也就是概率/集合预报。Price 等人发表在 Nature（2024）上的 GenCast，正是把 AI 气象从"算得准一条"推进到"算得出一片可能性"的标志性工作，对任何依赖气象数据做风险决策的从业者，都值得认真读一读。

关键要点

• GenCast 由 Google DeepMind 团队（Price 等）提出，发表于 Nature（2024），是首个在概率/集合预报上系统性超越 ECMWF ENS 的 AI 模型。
• 技术路线是把扩散模型适配到地球球面几何，反复采样生成多条物理上合理的预报，构成长达 15 天的集合概率预报。
• 在 97.2% 的检验指标上优于 ECMWF ENS，单块 TPU 约 8 分钟即可出一条预报，对极端天气的刻画尤其出色。
• 训练用约 40 年 ERA5 多层变量，验证也以 ERA5 为初始条件与真值基准，并用 CRPS 等概率评分衡量集合质量。
• 对风电、光伏而言，概率预报让出力区间、爬坡概率与备用安排有了更可信依据；高质量长序列的 ERA5 历史数据底座价值随之上升。

背景与权威性

这篇论文的英文原题是 Probabilistic weather forecasting with machine learning，对应模型名为 GenCast，作者团队来自 Google DeepMind（Price 等）。它发表在 Nature 正刊（2024）——气象与机器学习交叉领域能进入 Nature 主刊本身就说明了同行评议层级与影响力的高度。

从被引情况看，据 Semantic Scholar 于 2026 年 5 月核实，其引用量约为 553，对一篇 2024 年才发表的论文而言属于积累相当快的水平，侧面反映学界与工业界对它的关注度。

为什么说它是该主题的前沿文献？因为在它之前，AI 气象的突破大多集中在确定性预报（给出一条最优轨迹）。GenCast 是首个在概率/集合预报上系统性超越 ECMWF ENS 的 AI 模型——ECMWF ENS 是欧洲中期天气预报中心的业务集合预报系统，长期被视为全球集合预报的标杆之一。GenCast 的意义在于：它代表 AI 气象从确定性正式迈入概率预报这一更接近真实业务需求的阶段。

它做了什么

GenCast 的核心技术选择，是把近年在图像生成领域大放异彩的扩散模型（diffusion model）适配到地球的球面几何上。扩散模型擅长从噪声中逐步生成符合某种分布的样本——把这套思路搬到气象上，就意味着模型不再只输出一张确定的天气图，而是能反复采样、生成多条互不相同但都物理上合理的预报，从而构成一个集合（ensemble）。

基于这套机制，GenCast 可以生成长达 15 天的集合概率预报。集合预报的价值在于：它用一族成员刻画未来的不确定性，让我们能读出某地某时刻出现强风或强辐射波动的概率有多大，而不只是一个点估计。

在数据与训练上，GenCast 使用了约 40 年的 ERA5 多层变量进行训练。ERA5 是 ECMWF 的全球再分析数据集，提供物理一致、时空连续的历史气象场，是当前 AI 气象模型常用的训练底座。在验证环节，论文同样以 ERA5 作为初始条件与真值基准，并采用 CRPS（连续分级概率评分）等概率评分来衡量集合预报的质量——这一点很关键：概率预报不能只看中心值准不准，还要看整个概率分布是否可信，CRPS 正是为此设计的标准指标。

关键结论

把核实过的要点收敛成几条结论：

• 在 97.2% 的检验指标上，GenCast 优于 ECMWF ENS。 这是一个覆盖面相当广的对比结果，意味着它的优势并非个别变量、个别时效上的偶然，而是较为系统性的领先。
• 单块 TPU 约 8 分钟即可出一条预报。 相比传统数值预报动辄需要超算集群跑很久，这种推理成本意味着生成大规模集合（很多条成员）在算力上变得现实可行。
• GenCast 对极端天气的刻画尤其出色。 对新能源行业而言，真正考验调度与风控的往往不是平稳天气，而是台风、寒潮、强对流这类极端事件，这一点的价值不言而喻。
• 方法层面，把扩散模型迁移到球面几何来做概率气象预报，本身就是一条被 Nature 验证可行的技术路线，为后续 AI 集合预报研究提供了范式参考。

需要说明：论文及相关报道中出现的 champion / new champion 等措辞，是原文用以形容其相对 ECMWF ENS 表现的表述，这里仅作为论文原文引用，不构成对任何产品的绝对化宣称。

对新能源与平台的意义

GenCast 的结论可以比较直接地映射到风电、光伏的几个核心场景：

风资源评估与功率预测。 风功率与风速近似呈三次方关系，风速的微小不确定性会被放大成出力的大幅波动。确定性预报只能告诉你预计风速多少，而概率/集合预报能告诉你出力落在某个区间的概率分布。当 GenCast 这类模型把 15 天集合预报的质量做到系统性领先 ECMWF ENS，意味着中长期的风电出力区间估计、爬坡概率、备用容量安排都有了更可信的概率依据。

光伏功率预测。 光伏受云、气溶胶、辐射波动影响显著，短时辐照的不确定性同样适合用概率手段刻画。集合预报能帮助量化某时段辐照骤降的概率，对储能调度和现货市场报价都有参考价值。

历史气象数据的角色没有被削弱，反而被强化。 GenCast 用约 40 年 ERA5 训练、又以 ERA5 作真值基准，恰恰说明：无论 AI 模型多先进，高质量、长序列、物理一致的历史再分析数据始终是训练与评估的地基。对做资源评估、长期电量回测的团队来说，ERA5 这类历史气象数据底座的价值会随着 AI 模型的发展而上升。

评估口径的启示。 GenCast 用 CRPS 评估概率预报，提醒新能源算法团队：当你引入集合或概率方法时，评价指标也要从 RMSE/MAE 这类确定性指标，扩展到 CRPS、可靠性图、覆盖率等概率口径，才能真正衡量区间估计准不准。

在运梦气象 API 上手

GenCast 的训练与评估基准是 ERA5，而 ERA5 正是南京运梦科技的运梦气象 API（双数据源 ERA5 + 德国气象局）对外提供的核心数据源之一。无论你是想复现这类研究的数据准备，还是把历史气象场接入自己的风电、光伏模型，都可以用统一口径直接拉取。

数据通过 downloadSync 接口按 dataSourceId 与 fields 拉取。常用字段约定：

• 风资源：u100 / v100 / ws / wd（100m 风分量、风速、风向）；
• 光伏：rsds / dni / dhi（地面短波辐射、直接法向辐照、散射水平辐照）；
• 常规气象：tas / hurs / sp / pr（2m 气温、相对湿度、地面气压、降水）。

一个最简请求示意：

import requests

payload = {
    "dataSourceId": "era5",          # 历史再分析；预报场景可换 ger
    "lat": 31.5, "lon": 118.5,
    "stime": "2024-01-01 00:00",
    "etime": "2024-12-31 23:00",
    "fields": ["u100", "v100", "ws", "wd", "rsds"],
    "timezone": "8",
}
# POST 到 downloadSync 接口，详见 API 文档

想进一步了解数据源与场景落地，可参考：ERA5 产品页、德国气象局预报、风电解决方案、光伏解决方案，以及对应的风电功率预测与光伏功率预测产品页。接口字段与调用细节见API 参考与数据要素说明。

需要提醒的是：GenCast 是研究级的预报模型，与运梦气象 API 对外提供的数据源是两回事；本节只是说明，论文所依赖的 ERA5 历史气象数据，你可以通过运梦气象 API 以一致口径取得，用于自己的训练、回测与评估。

常见问题

GenCast 是什么？它和传统 AI 气象模型有什么不同？ GenCast 是 Google DeepMind 团队提出、发表于 Nature（2024）的 AI 气象模型。与此前主要做确定性预报（给出一条最优轨迹）的 AI 模型不同，它把 AI 气象从"算得准一条"推进到"算得出一片可能性"，能生成 15 天的集合概率预报。

GenCast 比 ECMWF ENS 强在哪里？ 论文报告 GenCast 在 97.2% 的检验指标上优于 ECMWF ENS，是首个在概率/集合预报上系统性超越 ECMWF ENS 的 AI 模型，且对台风、寒潮、强对流等极端天气的刻画尤其出色。

GenCast 用扩散模型做天气预报是怎么实现的？ 它把图像生成领域的扩散模型适配到地球球面几何上，通过从噪声中反复采样，生成多条互不相同但都物理上合理的预报，从而构成一个集合，用一族成员刻画未来的不确定性。

GenCast 训练和评估用的是什么数据？ GenCast 使用约 40 年的 ERA5 多层变量进行训练，验证环节同样以 ERA5 作为初始条件与真值基准，并采用 CRPS（连续分级概率评分）等概率评分来衡量集合预报质量。

GenCast 对风电、光伏预测有什么实际价值？ 概率/集合预报能给出风电出力区间、爬坡概率、备用容量的概率依据，也能量化光伏辐照骤降的概率；同时它提醒算法团队把评估指标从 RMSE/MAE 扩展到 CRPS、可靠性图、覆盖率等概率口径。

引用与原文

Price, I. 等. Probabilistic weather forecasting with machine learning. Nature (2024). DOI: doi.org/10.1038/s41586-024-08252-9