NVIDIA Earth-2开放模型在欧洲部署

NVIDIA在GTC Berlin上发布Earth-2系列开放模型的最新成员StormScope EU，并首次集中展示了一批欧洲机构基于这套开源天气AI栈落地的真实业务系统——这标志着AI气象从“跑分刷指标”进入“嵌入产业决策链”的商用拐点。

StormScope EU：把卫星云图变成10分钟级的短临预报引擎

StormScope EU是StormScope模型的欧洲区域版本，专门做短临预报（nowcasting），训练数据来自欧洲气象与气候资料。它的技术路径值得拆开看：输入是EUMETSAT卫星观测，输出是对16个Meteosat通道未来云况的预测，时间分辨率10分钟。这意味着它预测的不是“明天下不下雨”，而是“未来一两小时内云怎么长、怎么消”——这正是航空调度、光伏出力、雷暴预警最需要的时间尺度。

更关键的是工程闭环。NVIDIA与Earthmover合作搭了一条实时流水线：用Earth2Studio跑推理，Earthmover的数据平台负责管理与分发结果，每10分钟新卫星观测一到就刷新预测，并以地图瓦片（map tiles）形式对外服务，用户无需下载整个数据集即可在浏览器里浏览全欧预测。这个细节看似是demo体验优化，实则是商业模式的基础——瓦片化意味着按需访问、低带宽、可嵌入第三方前端，天气AI的交付形态正在从“给一张图”变成“给一个可查询的服务端点”。

组合式工作流：短临用StormScope，精细化用CorrDiff

NVIDIA在这篇公告里反复强调的不是单个模型，而是模型可组合。典型搭配是：StormScope负责短临外推，CorrDiff负责给粗分辨率数据做局地降尺度、补细节。开发者可以按区域需求拼装工作流，也可以把这些模型架构拿去重训，迁移到空气质量等非传统气象场景。

支撑这一切的是开源框架PhysicsNeMo，提供训练与定制工具链，让团队把自有数据和领域知识注入模型。> 这套打法的实质是：NVIDIA不卖预报，卖的是“让每家有自己数据的公司都能训出自己的区域模型”的底座。对行业的影响是，气象服务的竞争壁垒从“有没有全球模式”转向“有没有本地观测和场景理解”。

AXA：用1000多个模拟季节重写气旋风险曲线

保险公司AXA的用法最能说明问题。它用Earth-2的FourCastNet 3做了超过1000个模拟季节的区域气旋风险研究，目的是跳出历史观测记录的局限——历史只有一条，模拟可以生成成千上万条平行历史，从而对“历史记录里没出现过但物理上可能发生”的极端事件定价。

这对保险业的含义很直接：巨灾模型的输入正在从统计外推转向物理模拟，承保与再保的风险边界会被重新画。AXA明确说这些洞察用于风险评 估和帮助客户做预防投入，也就是说模型输出直接进了产品设计和减损服务，而不只是内部研究。

Vaisala Xweather：把闪电数据灌进StormScope，抢短临提前量

芬兰气象科技公司Vaisala Xweather走的是另一条路：把自家专有观测、闪电数据和预报经验与Earth-2结合，增强面向政府、能源、海事、交通、保险客户的天气智能平台。具体动作之一是用闪电数据适配StormScope，目标是延长短临预报的提前量（lead time），并把预警通过其SaaS产品和AI助手集成对外输出。

这里的技术逻辑是：卫星看云顶，闪电看对流核心，两者融合能更早识别雷暴initiation。对从业者的启示是，专有观测数据在开源模型时代的价值不降反升——模型是公共品，数据是护城河。

曼彻斯特大学：把国家级超算上的环境建模搬到桌面

曼彻斯特大学的研究者改造了CorrDiff做英国空气质量建模，训练在NVIDIA驱动的Isambard-AI超算上完成，推理则跑在DGX Spark桌面系统上。这个“训练在超算、推理在桌面”的组合是个强烈信号：环境建模的门槛正从“国家级算力配额”降到“一台桌面机”。

对科研和监管机构的意义在于，地方环保部门未来可能自己跑高分辨率空气质量降尺度，而不必排队等中心化超算资源。模型小型化+推理本地化，会催生一批区域性的环境AI应用。

TotalEnergies：光伏场站的亚小时级辐照度预报

能源巨头TotalEnergies在探索用Earth-2做太阳能预报，具体是在两个光伏站点评估基于StormScope的太阳辐照度短临预报，并开发亚小时级（subhourly）天气信息模型，目的是提前预判光伏出力的突变。

光伏的痛点从来不是日均辐照，而是云过境导致的分钟级功率波动——这直接关系到备用容量、储能充放和现货市场报价。10分钟级云预测正好卡在这个需求上。如果这条路线跑通，电站运营商的日前/实时调度策略会被重写。

Space42：用CorrDiff从单张雷达图反演地表高度

阿联酋的Space42用CorrDiff和PhysicsNeMo开发了SARDiff4Height，从单张雷达影像估计地表高度，并生成不确定性图，标出哪些区域的估计需要人工复核。这是一个典型的“把天气AI架构迁移到遥感反演”的案例，也说明CorrDiff这类扩散模型骨架的通用性——它学的是“从低信息量输入生成高信息量场并给出置信度”，这个能力可以脱离气象语境复用。

所以呢：三条对行业的结构性判断

第一，开放模型正在把气象AI的竞争从模型层推向数据层和场景层。Earth-2全家桶开源，意味着没人能靠“我有一个更好的全球模型”建立长期壁垒；壁垒转移到谁有闪电数据、谁有场站实测、谁懂再保定价。

第二，交付形态在变。Earthmover的瓦片服务、Vaisala的SaaS与AI助手集成，说明天气AI的终端形态是可查询、可嵌入、按需刷新的服务，而不是一份预报产品。这对传统气象服务商的挤压是实实在在的。

第三，算力叙事在分化。一边是Isambard-AI级别的训练集群，一边是DGX Spark级别的桌面推理——NVIDIA同时在下注“集中训练”和“分散推理”，后者才是让气象AI真正铺开到中小机构的关键。10分钟刷新一次的欧洲云图demo，展示的不是模型多强，而是这条从卫星到瓦片到决策的链路已经能实时跑通了。