建设者坐标
漆远是复旦大学浩清特聘教授、人工智能创新与产业研究院院长，研究方向包括生成式 AI、深度学习与 AI 在科学和工业中的应用。他是 FuXi 系列天气研究的共同通讯作者之一。在这组建设者中，他代表的不是“模型把预报算快了”这一层，而是团队把真实观测、资料同化和连续预报接成可循环运行的系统。
天气系统是大型协作成果。FuXi 与 FuXi Weather 的论文列有来自复旦大学、上海科学智能研究院、中国气象局及国内外机构的多位作者；模型、气象知识、卫星数据和评价协议均来自团队与公共基础设施。本文是公开资料画像，不把集体成果归给漆远一人。
从什么算到什么做
2023 年的 FuXi 是级联式机器学习预报系统：以 39 年 ERA5 再分析资料训练三个面向不同时效的模型，在 0.25 度空间分辨率、6 小时时间分辨率上生成 15 天全球预报。它主要解决长时效自回归误差累积，但运行时仍要从传统数值天气预报体系产生的初始场出发。
2025 年 Nature Communications 的 FuXi Weather 把上游接口向真实世界推进。系统读取三颗极轨气象卫星的原始亮温和 GNSS 掩星资料，以机器学习资料同化生成全球分析场，再由微调后的 FuXi 给出 10 天预报；六小时后，新观测与上一轮背景预报再次进入同化，形成下一次循环。论文称其在 0.25 度分辨率上连续测试一年。
因此，“做”不是改变天气，而是持续生产可供预警和决策使用的分析与预报场。它把过去依赖复杂数值同化系统的初始化步骤纳入机器学习链路，使推理阶段可从真实卫星观测和循环背景场继续运行。但资料同化模块与预报模型仍以 ERA5 作训练参考，不能写成完全脱离传统气象资料体系。
闭环如何运转
每个六小时周期先收集不规则、稀疏且带噪声的卫星观测。资料同化模型把观测与上一轮短期预报提供的背景约束结合，重建规则网格上的大气状态；预报模型再从该状态向未来推进。下一时刻到来的新观测既校正当前分析，也让系统检查此前背景预报的偏差。分析—预报—观测—再分析，构成可执行的地球系统循环。
论文在连续一年测试中，用分析误差、预报技巧和与 ECMWF HRES 的特定协议比较评价系统。作者报告，它用比传统系统少的观测产生可靠的十天预报，并在中非等陆地观测稀疏区域的一天以后表现优于 HRES。这个结论有同行评议支撑，但只在论文的数据、变量和指标边界内成立，不应泛化成“所有地区、所有时效都更准”。
论文本身也公开了限制：短时预报仍需提升，只使用传统业务系统所用卫星仪器的一小部分，预测变平滑会贡献部分评分优势，ERA5 训练目标也继承既有偏差。真正业务运行还要求时效、故障恢复、持续校准、极端事件表现和预报员工作流共同通过。
证据台账
已确认事实 真实观测进入六小时循环
同行评议论文支持：FuXi Weather 同化多颗卫星亮温和 GNSS 掩星资料，把分析场接入预报，并每六小时循环；系统做过连续一年回测。其训练仍使用 ERA5 参考资料。
来源方主张 “首个业务可用”、千倍与毫秒级速度
复旦大学新闻对业务可用性、相对传统系统的数量级提速和单次计算耗时作了概括。这些是校方与团队口径；硬件、任务范围和基线未在新闻标题中充分展开，不能写成跨系统通用性能。
分析推断 资料同化是从模型到系统的关键接口
本文把漆远列为“观测—预报闭环建设者”，因为系统开始处理模型每次运行前必须获得现实状态的问题。它比离线 benchmark 更接近业务循环，但仍不是业务部门正式部署的同义词。
待验证 业务韧性与极端天气价值
系统能否长期在线吸收仪器更替与数据中断，能否在更多极端事件、区域和业务指标上稳定增益，以及预报员如何介入，仍需持续、独立和业务化评价。
事实 / 来源方主张 / 分析推断 / 待验证
- 事实：FuXi Weather 以真实卫星观测和背景预报生成分析场，再作十天预报，并按六小时循环；训练参考仍是 ERA5。
- 来源方主张：“首个业务可用”、千倍提速和毫秒级耗时来自团队或校方，应保留比较条件。
- 分析推断：它的突破点是把机器学习预报的初始条件也纳入可重复循环。
- 待验证：正式业务部署、全链可靠性、更多观测类型、极端事件和长期漂移下的表现。
为什么入选及边界
漆远入选，是因为 FuXi 团队把离线预报模型推进到“真实观测—资料同化—预报—新观测”的循环，并用连续一年资料检验稳定性。边界是：这是团队成果；训练仍建立在 ERA5 和数十年数值天气基础设施之上；论文中的比较受数据与指标限定，校方所称业务可用也不等于已经通过所有气象业务机构的运行认证。