斯坦福AI指数报告2026:地球科学AI渗透率领跑,数据底座重塑科研与产业新范式

突破性的基础模型与天气预报革命

地球科学的AI进展高度依赖于现有的观测基础设施，如再分析数据集（如ERA5）和密集的全球卫星档案。得益于这些高质量数据，天气预报成为AI落地最快的领域。报告特别提到了多个已投入实际运行的AI气象模型。

例如，Nvidia的FourCastNet 3能够在单张GPU上，在不到4分钟内生成60天的全球0.25度分辨率预测，运行速度比传统方法快8到60倍。Google DeepMind的WeatherNext 2则在不到1分钟内生成数百种天气结果，性能相比前代提升了99.9%。

智能体（AI Agents）重塑科研范式

在地球科学领域，AI智能体正超越单纯的数据检索，迈向执行完整的科研工作流。报告列举了多个代表性项目：

• ClimateAgent：由香港科技大学开发的系统，在85个涵盖大气河、干旱、极端降水等复杂气候任务中，实现了100%的完成率和8.32的极高报告质量评分（远超GPT-5基线的3.26分）。
• EarthLink：首个面向地球科学家的AI Copilot，能够通过动态反馈循环自动化研究工作流。
• PANGAEA GPT：专为PANGAEA地球科学数据库设计的多智能体系统，提供智能数据处理和自然语言接口。

数据集与基准测试的演进

地球科学的进步离不开高质量数据集的支撑。报告强调，与依赖通用互联网语料的LLM不同，地球科学高度依赖政府和学术机构的观测网络（如FLUXNET2015、AmeriFlux等）。同时，基准测试的重点也从静态知识评估转向对极端事件（如ExEBench测试的7类极端事件）的可靠性评估。