天氣模型做出來之後，
還需要哪些證據？

這份報告記錄了什麼？

作者介紹，在停用網路搜尋的案例中，AI處理了100GB以上的氣象資料，實現4億以上引數的網路，運行了45,000步訓練，涉及69個氣象變數。

這些是作者提供的案例記錄。本課程沒有獨立復現其訓練，也沒有用這套模型釋出即時預報。

依據：報告第4—5頁。作者註明這些是精選演示，不能作為平均任務成功率。

怎樣繼續檢驗？

1. 查清資料是誰製作的，覆蓋什麼時間、地方和變數。
2. 最終測試使用未參與訓練和調參的資料，防止答案提前洩漏。
3. 在相同任務和條件下，與合適的參照和基線比較；分別檢查預報時效、區域、變數和極端事件。
4. 確認使用者需要什麼。全球天氣預測、山路出行和洪水預警，需要的資料與檢驗並不相同。

這是課堂提出的檢驗要求，不表示已經對該演示完成這些檢查。參照資料本身也有誤差和適用範圍。

人和AI怎樣一起工作？

團隊還分析了56位參與者的769條任務記錄。在這批記錄裡，AI會提出方案、執行和修改；人參與選擇目標與方法、補充背景和判斷結果。

這些資料可以幫助我們理解具體協作過程。它們來自這一個研發團隊，不能證明所有科研任務都採用相同分工，也不能證明人的判斷一定正確。

依據：報告第8、10—11頁；不同百分比的任務範圍和分母不同，不能混算。

暫時不能從這裡推出什麼？

“一分鐘預測未來一週”不能解釋成一分鐘完成整個模型研發。本次查到的報告相應段落沒有提供足以核驗該耗時配置或與FourCastNet比較的詳細結果。

AI能參與研發另一套AI，也不等於已經證明它能持續、可靠地自主改進自己。報告仍把這件事列為開放問題。

依據：報告第7—8、12—13頁。課堂不採用宣傳標題或排行榜作為實用性證據。