艾伦人工智能研究所（Ai2）发布HiRO-ACEv2，用AI替代部分高分辨率数值气候模拟，能生成全球3公里分辨率的降水、近地面风和海平面气压数据，推理成本约为传统X-SHiELD模型的三百分之一，但当前仅仿真X-SHiELD输出，尚未直接验证现实世界或未来气候的泛化能力。
美国艾伦人工智能研究所（Ai2）发布新一代气候模拟系统 HiRO-ACEv2，试图以人工智能替代部分高分辨率数值气候模拟工作。Ai2称，该系统可以生成全球3公里分辨率的降水、近地面风场和海平面气压数据，用于研究热带气旋、强降雨、山地下沉风等极端事件；在推理阶段，全球高分辨率数据的成本约为传统高分辨率全球大气模型 X-SHiELD 的三百分之一。
这项更新于2026年10月14日发表于 Hugging Face 的官方技术文章，同日也通过模型仓库和论文向研究人员开放。配套论文《Extreme events and statistics in an AI emulator of a global storm-resolving model》于10月13日提交至 arXiv。
从100公里粗网格到3公里细节
HiRO-ACEv2由两个阶段组成。第一阶段是 ACE2S-X-SHiELD，一个以约100公里分辨率运行的自回归气候模拟器，负责生成长时间尺度的大气状态；第二阶段是 HiROv2，一个基于扩散模型的下采样系统，把粗网格结果转换为3公里分辨率的区域细节。
这一路线延续了Ai2在2026年早些时候发布的 HiRO-ACE。此前版本主要生成高分辨率降水数据，而新版本可以同时输出降水、10米高度东西向和南北向风速，以及海平面气压。Ai2表示，多变量输出使系统能够覆盖更广泛的极端天气类型，而不再局限于降雨强度。
其训练目标并不是直接预测现实世界的观测数据，而是学习 NOAA 地球物理流体动力学实验室（GFDL）的 X-SHiELD 模拟结果。X-SHiELD是一个全球风暴解析模型，在全球约3.25公里水平分辨率下运行，能够更细致地表现深对流、热带气旋以及复杂地形与降水之间的相互作用。GFDL对该模型的说明见 X-SHiELD项目页面。
极端事件是这次更新的重点
Ai2称，在把X-SHiELD数据降采样后，HiROv2生成的高分辨率统计结果与目标模拟的差异控制在3%以内；即使是每百万个数据点才出现一次的极端事件，模型也能较好地重现其分布特征。
论文给出的表述更为谨慎：在降水和近地面风的分布尾部，HiRO-ACEv2可以大体匹配X-SHiELD，覆盖到目标分布的第99.9999百分位。研究团队还报告称，系统能够生成具有较真实“风眼”和雨带结构的飓风，并在训练数据中没有直接见过的风暴上估计热带气旋总能量。对于强风绕过山地、沿山坡向下流动等现象，模型也能生成相似的小尺度结构。
研究人员随后运行了10年模拟。Ai2称，ACE2S-X-SHiELD产生的平均气候模式、降水、风和气压总体分布与X-SHiELD相符；把ACE2S与HiROv2串联后，生成的一年全球3公里数据在统计上也接近参考模型，10年模拟中的飓风能量保持在可比范围内。
不过，这些结果首先证明的是模型对X-SHiELD的仿真能力，而不是它已经独立验证了现实世界的天气或气候预测能力。模型卡片明确提醒，HiROv2输出的是具有X-SHiELD特征的降水、风和气压场，而不是观测数据本身。
成本优势能否改变高分辨率气候研究
高分辨率全球气候模拟的主要障碍一直是计算成本。Ai2在此前介绍第一代HiRO-ACE时指出，3公里全球风暴解析模拟可以捕捉局地极端天气，但单次长期运行的成本非常高；传统模型可能需要数月时间，才能完成研究人员需要的多年样本。
HiRO-ACEv2的意义在于，它可以先用较低成本的AI模拟器生成长期、全球性的粗分辨率状态，再用下采样模型补足局部结构。这样一来，研究人员可以更容易地生成大量样本，用于分析罕见事件的统计特征、评估基础设施风险，或比较不同区域的极端天气分布。
这种“模型加工作流”的方向，也与Ai2此前把 OlmoEarth发展为地理空间推理平台的尝试相呼应：后者强调把遥感数据、模型推理和结果交付组织成可复用的生产系统，详见 Ai2把OlmoEarth做成地理空间推理平台。在气候与灾害领域，真正的瓶颈往往不只在模型精度，也在于能否以可承受的成本持续生成、验证和更新数据。NOAA将天气超级计算迁移到公有云的案例则显示，公共气象基础设施也在围绕算力弹性和运营成本重新设计。
当前限制：不能直接代表未来气候
HiRO-ACEv2目前最重要的限制，是它对训练分布的依赖。由于HiROv2学习的是X-SHiELD的高分辨率输出，ACE2S也被调校为匹配同一套X-SHiELD数据，因此系统还不能直接生成其他气候状态下的可靠高分辨率结果。
Ai2特别指出，当前版本不能直接用于模拟更温暖的未来，也不能直接覆盖ERA5等历史再分析数据的气候。模型仓库还列出了一些边界条件：ACE2S-X-SHiELD只在有限的强迫条件和约9至10年的训练数据上训练，HiROv2也没有在所有纬度和所有区域得到充分测试；大范围下采样还可能出现拼接或重叠区域的伪影。
下一步，研究团队计划使用模拟升温4摄氏度的新X-SHiELD数据训练系统，使其能够处理不同气候状态，并增加近地面温度、积雪和冰等输出变量。Ai2也在开发更精简的HiROv2版本，目标是进一步提速十倍以上。
因此，HiRO-ACEv2目前更适合作为高分辨率数值模型的低成本仿真器和研究工具，而不是已经可以独立替代物理模型的通用气候预测系统。它能否真正服务于气候适应规划，仍取决于未来训练数据的扩展、现实观测验证，以及在不同气候条件下的泛化能力。
来源：