Atmospheric（大气/大气科学相关技术）在 AI 领域特指利用深度学习对大气状态进行建模、预报与数据同化的一系列研究方向。它处于地球科学与机器学习的交叉位置，目标是替代或增强传统数值天气预报，为农业、能源、灾害预警等行业提供更快的预测能力。
Atmospheric 建模的近期进展
近期 arXiv 上出现了多篇围绕 atmospheric 数据的生成式建模工作。其中 Multimodal Spatiotemporal Atmospheric Data Assimilation with Latent Flow-matching 提出用潜空间流匹配方法做多模态时空数据同化，试图把卫星、地面站等异构观测融合进统一的大气状态估计中。
另一项工作 Apeliotes: A Diffusion-Based Modeling Framework for km-scale Multi-Level Atmospheric Fields 聚焦公里尺度的多层级大气场建模，用扩散模型生成精细空间分辨率的多层数据，这是传统数值模式计算成本较高的领域。此外，Weather Emulators at the Frontier of Heat Extremes Predictability 探讨了天气模拟器在极端高温可预报性边界上的表现，指出 AI 模型在极端事件上的能力仍需检验。
Atmospheric AI 面临的现实缺口
尽管模型进展迅速，实际应用中仍有明显短板。Microsoft Research 指出，天气预报在两周之后基本不可靠，给农民等群体留下关键空白——现有 AI 预报系统在次季节时间尺度上依然缺乏可信度，这也是 atmospheric 研究下一阶段的重要方向。
当前焦点与观察点
综合来看，atmospheric 方向的争论集中在三点：一是生成式模型（扩散、流匹配）能否在保证物理一致性的同时达到数值模式的精度；二是极端天气（如热浪）场景下的可靠性是否被高估；三是中期预报（两周以上）的可用性缺口何时能被填补。此外，相关跨界应用也在出现，例如可从空气中直接提取饮用水的新型智能夹克，显示大气水汽资源利用正从科研走向消费级产品。对从业者和投资者而言，观察这些模型是否通过气象机构业务化验证，是判断技术成熟度的关键信号。