核心概念

Aurora 1.5 是 Microsoft Research 在 2026 年 7 月發布的氣象 AI 基礎模型重大更新版本，在原始 Aurora 模型的基礎上引入三項核心擴展：22 個新增天氣變數、小時級時間解析度，以及集成概率預報能力。

從研究原型到實用工具的躍遷

原始 Aurora 模型僅支援 4 個基礎天氣變數，這在科學研究層面足夠，但對能源調度、農業管理、航運規劃等實務應用而言明顯不足。Aurora 1.5 新增 22 個變數後，總計涵蓋 26 個大氣參數，能描述從低層到高層大氣的完整物理狀態。這種覆蓋度讓模型不再只是「氣象研究工具」，而成為地球系統整合預報的基礎設施。

集成概率預報：從單一答案到可能性空間

確定性天氣預報（給出單一預測值）對高風險決策不夠用——電力交易員需要知道明天風速「可能落在哪個區間」，緊急應變人員需要了解颱風路徑的不確定範圍。Aurora 1.5 引入的集成預報透過隨機擾動（stochastic perturbations）生成多個預報成員，量化未來狀態的可能性分布。這在概念上與 ECMWF ENS（歐洲中期天氣預報中心集成系統）相同，但以深度學習實現，推論速度遠快於數值天氣預報（NWP）。

訓練資料與精調策略

Aurora 1.5 採用多階段精調（multi-stage fine-tuning），訓練資料選用 ECMWF 高解析度分析資料（ERA5 類型），時間跨度涵蓋 2018–2023 年。選用分析資料（analysis data）而非直接觀測，是為確保時間空間一致性，讓模型學到物理上自洽的大氣狀態演化規律，而非嘈雜的原始觀測噪音。

效能表現

在評估目標上，Aurora 1.5 在 88.9% 的指標上超越 ECMWF 集成預報系統——這是業界長期以來被視為全球最佳的數值天氣預報系統。在熱帶氣旋路徑預測方面，相較前代 Aurora 模型，路徑誤差降低約三分之一。小時級時間解析度（vs 以往的 6 小時或 12 小時步長）讓極端天氣的快速演變得以被更精細地捕捉。

關鍵要點

  • 22 個新增變數：覆蓋更完整的大氣層結，從地面風速到平流層臭氧，滿足能源、農業、航運等垂直行業需求
  • 集成概率預報：單次推論即可生成多個預報成員，量化不確定性，支援風險感知決策
  • 小時級解析度：原始模型以 6h 步長運作，1.5 版本支援逐小時輸出，對暴雨、龍捲風等快速演變事件尤為關鍵
  • ECMWF 超越：88.9% 評估目標優於 ECMWF 集成系統，颱風路徑誤差減少 1/3
  • 開源 + 管理服務雙軌：GitHub 與 Hugging Face 開放模型權重，企業用戶可透過 Microsoft Foundry 和 Planetary Computer Pro 使用 API 服務

實務應用

再生能源調度（BKW 案例）

瑞士能源公司 BKW 將 Aurora 1.5 與既有 Microsoft Weather 模型並行使用，協助再生能源電廠的電力調度決策。準確的逐小時風速、太陽輻射預報直接影響併網計劃與現貨市場競價，預報精度每提升一個百分點，在大型電廠規模下即可轉化為可觀的財務效益。

碳捕存科學（Terradot 案例）

最具創意的應用案例來自 Terradot：這家公司研究「強化岩石風化」（enhanced rock weathering）——將礦物粉末施灑於農田，透過土壤化學反應從大氣中吸收 CO₂。岩石風化速率受降水、溫度、土壤濕度影響，Aurora 的精細氣象資料成為這項碳移除研究的輸入變數。這顯示氣象基礎模型的應用邊界已遠超傳統天氣預報，延伸至地球系統科學的各個子域。

與相關研究的對照

Microsoft Research 同期推出 GridSFM：電網 AC 最優潮流的小型基礎模型，專攻電網潮流計算——兩者合用可形成「氣象預報輸入 → 電網狀態優化」的完整 AI 管線，對再生能源整合具有直接意義。OlmoEarth v1.1：地球觀測基礎模型的三倍效率突破 代表衛星影像觀測端的進展，與 Aurora 的數值預報端形成互補：前者解析現在，後者預測未來。AI for the Planet：Google DeepMind 亞太環境加速器 則展示競爭對手對 AI 驅動地球科學的戰略佈局，兩家機構都在爭奪氣候 AI 的基礎設施地位。

延伸觀點

Aurora 1.5 的發布時間點恰逢 AI 氣象預報從「學術競賽」進入「算法多元化」階段。根據 arxiv 多篇 2025–2026 年論文的彙整觀察，當前這個領域呈現幾個清晰趨勢：

概率集成預報是唯一的前進方向

2024 年 GraphCast、Pangu-Weather 等確定性模型已證明 AI 在精度上可超越傳統數值天氣預報（NWP）；但確定性預報本身的缺陷——無法量化不確定性——讓它在高風險決策場景中實用性有限。2025–2026 年，GenCast（Google DeepMind）、AIFS-CRPS（ECMWF，2025 年 7 月進入業務運作）、Aurora 1.5，乃至更輕量的 U-Cast，都聚焦在概率集成預報。這個共識表明，下一個競爭維度不再是「誰更準」，而是「誰的集成預報計算成本更低、校準更好」。

效率才是商業化護城河

U-Cast（arxiv 2604.09041）的研究結果提供了一個重要對照：透過對標準 U-Net 架構加入 CRPS 損失函數和 Monte Carlo Dropout，就能在 12 天 H200 GPU 訓練成本內、3 秒推論時間內，產出媲美 GenCast 和 IFS ENS 的集成預報。這揭示了基礎模型路線（Aurora 的 1.3B 參數 + 多階段精調）與輕量特化路線之間的真正張力：前者的優勢是通用性和遷移能力，後者的優勢是可複製、算力需求低。對商業部署而言，「快且夠好」可能比「慢且最準」更有吸引力。

AI 的效率優勢不能掩蓋物理精度的天花板

ECMWF 研究人員的比較研究（arxiv 2606.02508）給出一個清醒的數據：在 9,246 個全球觀測站的 2025 年夏秋季風速預報上，原始 AI 模型（AIFS）在短期（1–4 天）效果仍不如物理模型（IFS）——但 AI 的計算速度快 10 倍、能耗低 1000 倍。關鍵轉折點在於「後處理」：加入統計偏差校正後，AI 與物理模型的差距大幅縮小，差異僅在最短預報時效仍顯著。這個結論對 Aurora 的實際部署具有直接指導意義：在短期極端事件場景下，混合架構（AI 快速預報 + 物理後處理）可能是近期最務實的選擇。

反向連結

以下頁面引用了本頁：