首个竞赛年参与规模：254 名参赛者、57支队伍、102 个模型、20 个国家。

一场面向“最难时段”的实时国际竞赛

2026年9月24日，欧洲中期天气预报中心（ECMWF）与世界气象组织（WMO）举行人工智能天气预报探索竞赛（AI Weather Quest）第一年度总结与颁奖网络研讨会，正式发布了相关结果。该竞赛于2025年启动，设置2025年9月至2026年8月四个13周赛季，按国际通用三月季缩写标识，依次为SON2025、DJF2025/26、MAM2026和JJA2026。共有250多名参与者、55个国际团队和100多个 AI/机器学习模型参加竞赛。

比赛要求参赛者每周对未来第19—25天和第26—32天提交实时概率预报，主要变量为2米气温、海平面气压和降水，并由 ECMWF采用统一的排序概率技巧评分（RPSS）进行验证。

显然，这次竞赛选择第3—4周有其特殊考虑，这一时段短期天气预报所依赖的初始大气状态信息已经明显衰减，而海洋、陆面、平流层以及厄尔尼诺-南方涛动（ENSO）、热带季节内振荡（MJO）等较慢变化过程虽然能提供一定可预报信号，但通常较弱、分散，尚不足以像季节尺度那样稳定地主导大气演变。正因如此，第3—4周往往成为天气预报与季节预测之间技巧相对较低的过渡区，常被称为“可预报性荒漠”。比赛真正要检验的，是人工智能（AI）能否从这些微弱而分散的可预报信号中提取更多有效信息。竞赛英文名称为 AI Weather Quest，也体现了探索的味道。

2025年9~11月（SON），进入正式竞赛期的第一个季度的第19–25天窗口（Forecast Window 1）的全球时期聚合（period-aggregated）RPSS评分，MicroEnsemble / MicroDuet团队排名第一，CMAandFDU / FengshunAdjust、LP 分列二、三。

统一“考题”，但不限定统一数据

理解竞赛需首先注意一个关键点：AI Weather Quest并不是严格意义上的“同数据、比算法”。ECMWF允许参赛者使用不同观测、再分析和预报资料，也允许纯数据驱动、动力模式机器学习后处理、统计方法以及 AI-动力混合系统参赛。

根据竞赛规则，AI Weather Quest的最终排名能够反映某套系统在真实任务中的综合效果，但不能单凭排名断言某种神经网络架构本身优于另一种。这种开放赛制还有一个好处，可以把气象业务中真实存在的选择一并纳入比较——一个团队可以把算力投入端到端AI，也可以把成熟动力集合当作信息源，再用机器学习纠偏；还可以设计混合集合。因而它评估的不只是算法，而是从数据、模型、集合到后处理环节整个链条的有效性。

2025年12月~2026年2月（DJF），第二个季度的第19–25天窗口（Forecast Window 1）的全球时期聚合（period-aggregated）RPSS评分，MicroEnsemble / MicroDuet 团队以排名第一，LP 第二、AIFS 第三。

第一年度：从 AI后处理到纯 AI进入第4周榜首

SON2025和 DJF2025/26赛事中，脱颖而出的是 MicroEnsemble团队的MicroDuet，这并非一个完全独立于数值模式的纯 AI模型，而是利用 ECMWF

IFS次季节集合预报，再通过集合预报和概率偏差订正重新校准概率分布。这一结果可以证实传统动力模式在第3—4周仍包含不少可用信号，而 AI则擅长发现和订正稳定的系统性偏差。

到了 MAM2026赛事，中国气象局—复旦大学团队的 FengshunHybrid在两个窗口均位居榜首。该系统把人工智能全球次季节-季节预测系统“风顺”系列的纯数据驱动模型与业务动力 S2S模式组合，显示“AI+动力模式”的混合路线仍能获得额外收益。具有标志性意义的事件发生在 JJA2026赛季。第19—25天窗口中，中国江苏省气候中心 LP团队的

LPM和“风顺”系列的 FengshunAdjust分别位列第1和第2；而在更困难的第26—32天窗口，Adjust和 LPM则依然位列第1和第2。

纯数据驱动集合 FengshunAdjust不依赖实时动力模式作为主要预报输入。这意味着纯 AI系统已经能够在完整赛季的第4周概率预报中，与后处理和混合系统直接竞争并取得领先。

2026年3~5月（MAM），第三个季度的第19–25天窗口（Forecast Window 1）的全球时期聚合（period-aggregated）RPSS评分，CMAandFDU / FengshunHybrid 排名第一，LP第二，MicroEnsemble / MicroDuet排名第三。

认为“30天天气已经可准确预报”还为时过早

AI Weather Quest的结果还不能理解为 AI突破了大气混沌极限。比赛预报的是周平均气温、周累计降水和周平均气压的概率分布，而不是第30天某地一次暴雨的精确位置和时间。AI可能在三个方面具有优势，即识别动力模式系统误差；利用不同模型之间的互补信息构建更好的概率分布；在MJO、ENSO、海温、土壤湿度、积雪和平流层等本已存在但较弱的低频可预报信号中，提取非线性和跨尺度统计关系。

这也说明，第3—4周预报的核心并不是给出一条最可能的确定性天气演变，而是刻画可能出现的概率分布。在这种尺度上，周平均和概率分布往往比逐日细节更稳定、更有决策价值。AI集合的优势之一，正是可以用较低计算成本生成更多样本，或通过不同架构之间的互补更充分地表示不确定性。

因此，第一年度更准确的结论不是“AI取代数值天气预报”，而是第3—4周仍存在可进一步挖掘的概率可预报信息，而 AI正在改变这些信息的利用方式。

2026年6~8月（JJA）第四个季度的第19–25天窗口（Forecast Window 1）LP / LPM 团队排名第一；CMAandFDU / FengshunAdjust 位列第2，AIFS排第三。

竞赛仍将继续，值得进一步观察的问题是在统一、透明、长期的实时检验中，纯AI、动力模式以及二者的混合体系，最终会形成怎样的新一代次季节预报架构。AI Weather Quest的价值，或许正是把这一问题从概念争论推进到一个可持续改进和比较的实验场。

四个赛季的两个窗口期结果并不相同，每个窗口期排名第一的团队如表所示。

《中国气象报》

支持单位：