Silurian 种子轮

Silurian 深度调研:以生成式预报 Transformer 构建地球系统基础模型,面向能源与基建资产的天气风险

Silurian(美国)以 1.5B 参数 GFT 生成式预报 Transformer 构建地球系统基础模型,服务能源与基建天气风险,并与 NOAA、Hydro-Québec 合作。

执行摘要

Silurian 是 2024 年成立的美国气象 AI 公司,总部在华盛顿州柯克兰(Kirkland),入选 Y Combinator 2024 夏季批次。创始团队来自微软 AI,核心成员参与过微软的大气基础模型 Aurora:Cristian Bodnar 任首席科学家,Jayesh K. Gupta 任 CEO,Nikhil Shankar 任首席工程官;Mark Baum 是初创团队成员之一,据 GeekWire 报道其后离开,因此不应与他混淆为现任管理层。

公司的产品是 GFT(Generative Forecasting Transformer)系列。全球模型 GFT 有 15 亿参数,2024 年公开报道的分辨率约 11 公里、预报时效最长两周。区域模型 GFT-US 于 2025 年 4 月发布,面向美国本土(CONUS),公司称分辨率约 3 公里、逐小时更新、整点后中位交付时间约 1 分钟,比 NOAA 的 HRRR 模型早约 20 分钟提供预报。产品形态是 Earth API:覆盖陆地与海洋的全球预报、逐小时数据、Python 与 TypeScript SDK、浏览器端 playground,变量包含 100 米风、地表向下太阳辐射、降雪、降水类型等能源与农业关心的字段。

融资信息有三个版本:一份资料称累计融资约 1,100 万美元、单轮 seed、投资方含 Lux Capital 与 Tola Capital;另一份资料称 2026 年 5 月完成 600 万美元 seed;还有资料把「累计 1,100 万美元」与「1 轮」并列。团队规模 11 至 50 人(另一说 13 人)。这些差异见 DISCREPANCIES。

物理 AI 视角下,Silurian 的主张是「把改造语言与视觉的基础模型方法,用于地球系统的物理模拟」。它不做数值天气预报的方程求解,而是从海量观测与再分析数据中学习大气的演化规律,用生成式模型从当前状态生成未来状态。公司自称「物理基础模型」,但公开材料没有披露架构细节与物理约束的具体形式,这一点在评估时必须标注。

需要提前说明判断:这是一家「团队背景强、技术叙事清晰、证据链最薄弱」的公司。它的所有精度结论都来自公司自己运行的评测,没有独立第三方复现;没有公开的客户量化结果;API 文档列出的端点不都等于已普遍可用。与同赛道的 Jua 相比,它更早期(员工十几人、融资千万美元级)、更聚焦美国市场、更偏 API 与开发者体验,但缺少 Jua 那样的客户名单(TotalEnergies、Shell、EDF 等)与智能体产品。评估它的关键不是「模型能不能超过 ECMWF」,而是「有没有人愿意为它付钱,以及付多少」。

公司概览

团队与起点

Silurian 的核心资产是团队。三位公开列名的创始人都在微软 AI 从事过大气基础模型 Aurora 的研发,这段经历给他们带来三样东西:处理大规模大气数据集的工程经验、训练机器学习预报模型的方法论、以及把模型输出转成可操作信息的意识。

需要澄清一个常见的误读:创始人的微软背景不等于 Silurian 是微软的子公司、分拆或官方背书产品。公开资料没有这样的关系。这段背景是「技术能力的证据」,不是「产品质量的保证」。

公司 2024 年成立并加入 YC 夏季批次,总部在柯克兰(西雅图都会区),这个选址有实际理由:微软与华盛顿大学在大气科学与 AI 领域有积累,西雅图是云计算与地球科学人才密集区。

产品线

产品分三层。模型层是 GFT 全球模型与 GFT-US 区域模型。接口层是 Earth API,提供全球预报数据、逐小时与逐日端点、历史预报(past forecast)、组合(portfolio)、气旋(cyclone)与美国区域实验性端点。工具层是浏览器 playground 与 SDK。

公司的商业主张有两条。第一条是定制基础模型:用客户自有的专有数据与基础设施,训练适配其特定天气与气候挑战的模型。第二条是快速刷新的区域预报:为能源、农业、保险、物流、航空、国防等行业提供风险管理所需的预报产品。

这两条主张的性质不同。定制模型是「项目制 + 高单价」,客户少但价值密度高;区域预报 API 是「标准化 + 按量计费」,客户多但单价低。公司同时做两条,说明它还在寻找产品市场匹配——真正跑通一条之后再复制,是更常见的路径。

融资与规模

累计融资约 1,100 万美元(含 Lux Capital、Tola Capital),团队 11 至 50 人。这个规模在气象 AI 赛道里属于早期:Jua 累计约 2,700 万美元、40 至 200 人;WindBorne 累计融资更多(含硬件投入);Tomorrow.io 累计超过 2 亿美元(含卫星)。

1,100 万美元支撑一支十几人的团队做基础模型训练与 API 产品化,资本效率要求很高。气象数据的公开性(ERA5 等再分析数据免费)与模型规模的合理性(大气场的自由度远低于语言)让这个规模可行,但也意味着抗风险能力有限。

技术分析

生成式预报的技术含义

「生成式」在气象语境里容易被误读为「凭空造天气」。实际含义是:模型从学到的分布中生成未来大气状态,而这些状态受训练数据的统计规律约束、受初始条件约束、受物理一致性约束。它与语言模型的「生成」在数学形式上类似(都是条件生成),但约束来源不同——语言模型约束于语料,气象模型约束于物理与观测。

技术路线可以概括为三步。第一步是把当前大气状态编码成高维表示(通常用 Transformer 或图神经网络处理球面网格或二十面体网格)。第二步是在潜空间或状态空间里向前积分(rollout),每一步生成下一个时刻的状态。第三步是解码回物理变量(温度、风、湿度、气压、辐射)。

这条路线相对数值预报的优势是速度:训练完成后,一次全球预报在单张或几张 GPU 上几分钟完成,而数值模式需要超级计算机跑数小时。劣势是外推能力:模型在训练分布之外(极端事件、气候变化后的新常态)可能失效,且误差会随预报时效累积(rollout 的误差累积是这类模型的通病)。

GFT 与 GFT-US 的规格

全球模型 GFT 有 15 亿参数,2024 年报道的分辨率约 11 公里、时效最长两周。这个规格与国际同类模型(GraphCast 约 0.25 度即 28 公里、Aurora 约 0.25 度、盘古气象约 0.25 度)相比,11 公里属于较细的一档;但要注意分辨率的「名义值」与「有效分辨率」不同——模型输出的网格再细,如果训练数据的有效信息不足,细节仍是插值出来的。

区域模型 GFT-US 面向美国本土,公司称分辨率约 3 公里、逐小时更新、整点后中位交付约 1 分钟、比 NOAA HRRR 早约 20 分钟。这三个指标性质不同:分辨率是网格间距,交付时间是预报可用时点,精度是与观测的接近程度。三者不能互相替代——3 公里的网格不等于「超本地」精度,在山地、海岸线、城市热岛附近尤其如此。

「比 HRRR 早 20 分钟」这个主张的商业含义值得单独说。HRRR 是美国本土的高分辨率快速更新模式,逐小时运行,广泛用于航空、能源、应急。如果一家商业公司能早 20 分钟提供同等或更好的预报,对时间敏感的业务(如航空调度、电力交易)就有价值。但「早 20 分钟」不等于「更准」,两个维度需要分别验证。

Earth API 的产品化程度

Earth API 的文档列出了相当完整的端点与变量:逐小时与逐日预报、历史预报、组合端点、气旋预报、美国区域实验端点;变量包含温度、体感温度、降水累积与概率、降雪、云量、湿度、风速风向、气压、露点、向下太阳辐射、100 米风。

这份清单说明公司的产品化程度高于纯研究团队——它有 SDK、有 playground、有面向开发者的文档。但文档列出端点不等于端点普遍可用:认证方式、配额、商业许可、SLA 都需要与公司确认。公开信息没有披露定价,也没有披露付费客户数量。

100 米风与地表太阳辐射这两个变量的选择说明目标市场:风电与光伏的出力预测。这与 Jua 的切入点相同,说明气象 AI 的商业化正在向能源集中——原因是能源市场每天结算,预报精度的价值可以立刻折算成金额。

「物理基础模型」的证据缺口

公司自称在做「物理基础模型」(physics foundation model),这个措辞的含义是模型编码了物理约束(守恒律、边界条件、辐射传输等),而不只是拟合数据。

但公开材料没有说明物理约束的具体形式:是用物理损失项约束训练?是把物理量作为硬约束编码进网络结构?还是在后处理阶段做物理一致性校正?三种做法的技术含量与效果差异很大。缺少这项披露,就无法判断「物理基础模型」是技术描述还是营销标签。

这不是吹毛求疵。气象 AI 领域的核心争论之一就是「纯数据模型能否外推到训练分布之外」,而物理约束正是提升外推能力的主要手段。如果一家公司宣称物理基础模型但不披露约束形式,外部只能把它当作「数据驱动模型」评估。

技术短板

第一,独立验证缺失。所有精度结论都来自公司自己运行的评测,没有第三方机构(气象部门、学术团体、独立 benchmark)复现。这在早期公司里常见,但意味着「超过美国政府与欧洲机构」的宣称目前只有公司背书。

第二,极端事件能力未公开。能源与保险最关心的是极端天气(风暴、寒潮、热浪、持续无风),这类事件在训练数据里样本稀少,AI 模型的外推能力是公认弱点。公司没有公开极端事件的专项评测。

第三,误差累积未披露。生成式 rollout 的误差随时效增长,两周时效的误差是否仍在可用范围,需要分变量、分区域的误差曲线。公开信息没有这些数据。

第四,区域模型的泛化性。GFT-US 针对美国本土训练,是否可迁移到欧洲、亚洲,需要重新训练或微调,成本与效果未知。公司目前的产品重心在美国,这既是聚焦也是局限。

产品与商业化

两条产品线的商业逻辑

定制基础模型这条线的逻辑是:大型能源公司、保险公司、物流企业有自己的历史数据(自有气象站、资产运行记录、理赔数据),这些数据对通用模型是噪声,对定制模型是金矿。用客户数据微调基础模型,能得到比通用预报更贴合其资产的表现。

这条线的商业优点是单价高、粘性强(模型用了客户数据,替换成本高);缺点是项目制、不可复制、销售周期长。对一家十几人的公司,同时做几个定制项目就会占满工程资源。

区域预报 API 这条线的逻辑是标准化:开发者按需调用,按量计费,边际成本低。优点是 scalable,缺点是竞争激烈(NOAA 的预报免费、ECMWF 的数据便宜、Jua 与 Tomorrow.io 已在做同样的事)。差异化的唯一出路是「更准」或「更快」或「更好用」,而「更准」需要独立验证支撑。

与政府预报的关系

NOAA 的 GFS 与 HRRR、ECMWF 的 IFS 与 AIFS 是公共品,数据免费或低价。商业气象公司要在这样的环境里生存,必须提供政府不提供的东西:更高的分辨率、更快的更新、更贴合特定行业的后处理、更好的 API 体验、或者定制化服务。

Silurian 的定位正是这些:3 公里、逐小时、1 分钟交付、面向能源与农业的变量选择、SDK 与 playground。这些是产品层面的差异化,不是科学层面的突破。对开发者友好、对特定行业贴合,本身就是价值——但要收得上价,需要客户认可「比免费数据好用的部分值这个钱」。

客户与收入的未知

公司没有公开客户名单、客户数量、收入规模。这在种子期公司里正常,但意味着无法判断产品市场匹配是否成立。可观察的间接信号有三:API 文档的完整度(说明在做产品化)、YC 背景(说明有融资与指导资源)、以及团队规模(13 人左右,说明还在早期)。

对比同赛道的 Jua:Jua 公开了十家以上头部能源客户、100 GW 资产、比利时客户平衡成本下降 20% 的案例,并用开源 StationBench 方法论提升可信度。Silurian 在这三方面都还是空白。这不是说它更差,而是说它更早期。

竞争格局

国际 AI 气象模型的第一梯队

Google DeepMind 的 GraphCast 与 GenCast、微软的 Aurora、NVIDIA 的 FourCastNet、华为的盘古气象,构成 AI 气象模型的第一梯队。这些模型大多开源、论文公开、算力充沛,但共同的短板是没有产品化:论文里的模型不提供 SLA、API、客户支持。

Silurian 的相对位置是「从第一梯队出来做产品」。创始团队参与过 Aurora,理解这类模型的工程细节;公司做 API 与区域模型,补上产品化这一环。这个路径与 Jua 类似,区别是 Jua 更早进入、客户更多、有智能体层;Silurian 更聚焦美国市场与开发者体验。

与 Jua 的对照

两家公司做的事高度重叠:都用 AI 模型做全球与区域天气预报,都面向能源,都提供 API。差异在四个维度。

市场侧重:Jua 主攻欧洲(客户含 Statkraft、RWE、EDF、Enel、ESB),Silurian 主攻美国(GFT-US、与美国政府模型对比)。 产品形态:Jua 有 Athena 智能体(自然语言 + 持仓监控 + 回测),Silurian 是纯 API 与 SDK。 证据强度:Jua 有客户名单与单案例效果(比利时客户 -20% 平衡成本),并用开源 StationBench 做评测;Silurian 只有公司自评测。 资本与规模:Jua 约 2,700 万美元、40 至 200 人;Silurian 约 1,100 万美元、13 人左右。

这组对照说明:Silurian 更早期、更轻、更偏基础设施;Jua 更成熟、更重、更偏应用。两条路都能走通,但风险不同——基础设施路线要面对「免费政府数据」的替代,应用路线要面对「客户定制成本高」的问题。

与商业气象服务商的竞争

传统商业气象服务商(DTN、Meteomatics、AccuWeather、Tomorrow.io)有客户关系与历史数据积累,劣势是模型技术。Tomorrow.io 走的是「卫星 + 模型 + 平台」的重资产路线,与 Silurian 的轻资产路线相反。

轻资产的优势是资本效率高、扩张快;劣势是没有数据壁垒——如果模型精度被追平,客户可以随时切换。Silurian 的防御只能是「持续保持精度领先」或「深度嵌入客户工作流」,前者依赖研发,后者依赖产品。

与政府机构的微妙关系

NOAA 与 ECMWF 既是「被超越的对象」,也是「数据的提供者」。AI 气象模型的初始场通常来自数值预报的分析场,观测数据来自公共气象基础设施。这意味着商业公司在数据链上依赖公共机构,同时又在宣传中对比超越它们。

这个关系在短期内稳定(公共数据开放是政策),但长期存在政策风险:如果公共机构收紧数据开放或对商业使用收费,商业公司的成本结构会变化。

融资与资本结构

融资的三个版本

公开信息对融资的表述不一致。一份资料称累计融资约 1,100 万美元、单轮 seed、投资方含 Lux Capital 与 Tola Capital;另一份资料称 2026 年 5 月完成 600 万美元 seed;还有资料把「累计 1,100 万美元」与「1 轮」并列,暗示只有一轮。

合理的解释是:公司 2024 年通过 YC 获得标准投资(YC 通常投 50 万美元左右),2026 年完成 600 万美元的 seed 轮,累计约 1,100 万美元(含更早的 SAFE 或 bridge)。但这是推断,公司未公开确认。

资本效率与资金需求

1,100 万美元、13 人团队,人均资金约 85 万美元,在 AI 基础模型公司里属于精简配置。气象模型的训练成本远低于语言模型(数据公开、模型规模小),这是它能在小资金下做出第一梯队模型的原因。

资金需求取决于两条产品线的进展。定制模型需要工程资源(每个客户都要做数据对接与模型微调),API 产品需要基础设施投入(GPU 推理、数据存储、全球 CDN)。如果两条线同时推进,1,100 万美元大致覆盖 18 至 24 个月。

估值与退出路径

估值未披露。按 seed 轮 600 万美元、典型稀释 15% 至 20% 推算,投后估值在 3,000 万至 4,000 万美元区间,但这是推算。

退出路径有两条:被收购(对象可能是气象服务商、能源数据公司、云厂商)或被更大的公司整合。独立上市对一家十几人的气象 AI 公司不现实。这个判断影响投资逻辑——买的是「技术团队 + 模型资产」的期权,不是「长期现金流」的折现。

DISCREPANCIES

1. 融资额的三个版本。 一份资料称累计约 1,100 万美元、单轮 seed、投资方含 Lux Capital 与 Tola Capital;另一份称 2026 年 5 月完成 600 万美元 seed;还有资料把「1,100 万美元」与「1 轮」并列。合理的推断是 YC 标准投资(2024 年)+ 600 万美元 seed(2026 年)+ 可能的 SAFE 合计约 1,100 万美元,但公司未确认。本报告并列三个版本并标注推断。来源等级:第三方数据库(MEDIA)为主,OFFICIAL 未披露。

2. 员工规模的两个数字。 一处记 11 至 50 人,另一处记 13 人。「11 至 50」是区间分类,「13」是具体数字,两者不矛盾(13 落在区间内),但精度不同。本报告采用「13 人左右」的表述。来源等级:第三方数据库(MEDIA)。

3. 创始人名单的变化。 公开资料列四位创始成员(Cristian Bodnar、Jayesh K. Gupta、Mark Baum、Nikhil Shankar),YC 当前页面只列三位(Bodnar、Gupta、Shankar)。据 GeekWire 报道,Baum 已离开公司。本报告采用「三位现任 + 一位初创成员已离开」的表述。来源等级:OFFICIAL(YC 页面)与 MEDIA(GeekWire)交叉。

4. 分辨率与时效的时点。 11 公里、两周时效这两个数字来自 2024 年的报道(GeekWire),描述的是当时公开的模型;公司当前的 API 配置可能不同。本报告标注这两个数字的时点,不将其等同于当前全线产品的规格。来源等级:MEDIA(2024 年报道)。

5. GFT-US 三项指标被混用。 公司称 GFT-US 分辨率约 3 公里、逐小时更新、整点后中位交付约 1 分钟、比 NOAA HRRR 早约 20 分钟。分辨率、交付时间、精度是三个不同维度,媒体在报道时常混为一谈(如把「3 公里」说成「超本地精度」)。本报告在技术分析中区分三个维度。来源等级:OFFICIAL(公司表述)与 MEDIA 的差异。

6. 「超过美国政府与欧洲机构」的证据强度。 公司称 GFT 的预报可超过美国与欧洲政府机构的预报。该结论来自公司自己运行的评测,没有独立第三方复现,评测的变量、区域、时效、指标权重均未完整公开。本报告保留该宣称并标注为公司口径。来源等级:公司自评测(OFFICIAL 但自我评测),低于独立第三方评测。

7. 「物理基础模型」缺少架构披露。 公司自称物理基础模型,但公开材料未说明物理约束的形式(损失项、结构约束、后处理校正)。三种做法的技术含义差异很大,缺少披露使外部只能按「数据驱动模型」评估。本报告在技术分析中明确这一缺口。来源等级:公司表述(OFFICIAL)与架构信息缺失。

8. API 端点与产品可用性的差距。 Earth API 文档列出全球预报、历史预报、组合、气旋、美国区域实验性端点。文档列出不等于普遍可用,认证、配额、商业许可、SLA 均需与公司确认。本报告在商业化部分标注这一区别。来源等级:OFFICIAL(文档)与产品状态未确认。

风险与尽调缺口

其一,独立验证缺失是最大的不确定性。 「超过政府机构」是这家公司最核心的宣示,也是定价与融资叙事的基础,但目前只有自评测。如果第三方评测给出不同结论,商业叙事会受实质冲击。尽调应要求提供评测脚本、测试集划分、各模型的原始分数与变量权重。

其二,客户与收入完全空白。 没有公开客户名单、客户数量、付费规模。对种子期公司这是常态,但意味着无法判断产品市场匹配。可核验的间接信号只有 API 文档完整度与团队规模。

其三,与免费政府数据的替代关系。 NOAA 与 ECMWF 的数据免费或低价,商业公司必须提供「值得付费的增量」。3 公里分辨率与 1 分钟交付是产品差异化,但客户是否愿意为此付费,取决于这些增量在其决策中的经济价值。

其四,极端事件能力未验证。 能源与保险的核心风险来自极端天气,而 AI 模型在稀疏样本上的外推能力弱。缺少极端事件评测,意味着高价值场景的适用性未知。

其五,定制模型路线的可扩展性。 每个定制客户都需要数据对接与模型微调,工程资源消耗大。十几人的团队同时做几个定制项目就会饱和,规模化的前提是把定制流程标准化,而这需要时间。

其六,区域聚焦的局限。 GFT-US 针对美国本土,向欧洲、亚洲扩展需要重新训练或微调。Jua 已在欧洲建立客户基础,Silurian 若进入欧洲会面对先发者的竞争。

其七,团队稳定性。 初创成员 Mark Baum 已离开,说明团队在早期经历过变动。十几人的公司里核心研究者的流失影响很大。

综合评分

技术维度给 7.5 分。创始团队来自 Aurora,具备训练大气基础模型的实战经验;GFT 的规格(15 亿参数、11 公里、两周)与国际第一梯队可比;GFT-US 的 3 公里与 1 分钟交付在工程上有难度;Earth API 的产品化程度高于纯研究团队。扣分项是物理约束未披露、独立验证缺失、极端事件与误差累积数据未公开。

商业维度给 6 分。两条产品线(定制模型 + 区域预报)覆盖了高单价与可扩展两种模式,变量选择(100 米风、太阳辐射)贴合能源需求,API 与 SDK 降低使用门槛。扣分项是客户与收入完全空白、与免费政府数据竞争、定制路线难规模化。

财务维度给 6 分。约 1,100 万美元融资、13 人团队,资本效率高(气象模型训练成本低于语言模型)。扣分项是资金规模小、抗风险能力弱、估值与收入未披露。

产品维度给 7 分。Earth API 的端点与变量覆盖完整、有 Python 与 TypeScript SDK、有浏览器 playground,GFT-US 的更新频率与交付时间达到业务可用水平。扣分项是端点可用性未确认、定价未公开、缺少面向行业的应用层产品(如 Jua 的 Athena)。

市场维度给 7 分。气象 AI 正在从论文走向产品,能源转型提升天气敏感度,美国市场的电力与航空对高分辨率快速预报有明确需求。扣分项是竞争激烈(Jua、Tomorrow.io、政府免费数据)、市场规模有限、客户信任建立需要时间。

综合 6.7 分。这是本轮 65 家里「技术血统最好、商业证据最少」的一家:团队从微软 Aurora 出来,用十几人和千万美元级资金做出了与国际第一梯队可比的模型,并把产品做成了开发者可用的 API。但它的所有精度结论都是自评测,客户与收入完全空白,物理约束未披露。对物理 AI 的判断是:它的技术路线(用基础模型学大气物理)是当前地球系统 AI 的主流方向,团队的执行力也被模型规格证明;但从「能做出模型」到「能卖出产品」之间,还差独立验证、客户案例与可持续的商业模式——这三样它都还没有。

参考资料

  1. 第三方公司档案(neuronfeed):Silurian 成立于 2024 年,团队 11 至 50 人,累计融资约 1,100 万美元、单轮 seed,投资方含 Lux Capital 与 Tola Capital,YC 背景;定位为构建模拟地球系统的基础模型、从天气与气候开始;创始团队含 CEO Jayesh K. Gupta 与联合创始人 Cristian Bodnar、Mark Baum、Nikhil Shankar,背景来自微软与 Google DeepMind;GFT 生成长时效天气预报,公司称可超过美国与欧洲政府机构的预报;两条价值线为基于客户专有数据的定制基础模型与快速刷新的区域预报;目标行业含能源、农业、保险、物流、航空、国防
  2. 第三方公司档案(startuphub.ai,更新于 2026-09-26):总部美国柯克兰,成立于 2024 年,员工 13 人,累计融资 600 万美元 seed(2026 年 5 月),商业模式 B2B;描述 GFT 为融合大气、陆面与基础设施数据的长时效预报模型
  3. 技术与产品分析(iTechFAQs):创始团队 Bodnar、Gupta、Shankar 均为前微软 AI 研究者并参与过 Aurora;公司不是微软子公司、分拆或官方背书产品;GFT 为 15 亿参数全球模型,2024 年 GeekWire 报道其分辨率约 11 公里、预报时效最长两周;Earth API 覆盖陆地与海洋、逐小时数据、Python 与 TypeScript SDK、浏览器 playground,变量含 100 米风与地表太阳辐射、降雪、降水类型;API 端点含逐小时与逐日预报、历史预报、组合、气旋、美国区域实验端点;GFT-US 于 2025 年 4 月发布,面向美国本土,分辨率约 3 公里、逐小时更新、整点后中位交付约 1 分钟、比 NOAA HRRR 早约 20 分钟;Mark Baum 参与初创后离开
  4. 同一分析的关键判断:公司的基准对比为公司自行运行,不构成独立证明其在每个地区、变量与决策上更准;分辨率、交付时间、精度是三个不同维度,任一单独都不能证明业务价值;3 公里网格不等于超本地精度,在山地、海岸线、城市热岛附近尤其如此;「生成式」指从学到的模式生成预报状态,不等于任意发明天气;公司称物理基础模型,但公开材料未充分说明架构与物理约束
  5. 技术分析(MacMyths):确认创始人为 Bodnar、Gupta、Shankar,2024 年成立并加入 YC 夏季批次,总部柯克兰;确认 GFT 为 15 亿参数、2024 年报道约 11 公里与两周时效;强调 AI 模型依赖初始条件、训练数据、校准与评测质量
  6. Y Combinator 公司页(经第三方引用):Silurian 列入 YC 2024 夏季批次,总部柯克兰,当前列名创始人为 Bodnar、Gupta、Shankar
  7. GeekWire 报道(经第三方引用):GFT 全球模型分辨率约 11 公里、预报时效最长两周(2024 年模型口径);Mark Baum 已离开公司
  8. 行业背景(公开资料):NOAA 的 GFS 与 HRRR、ECMWF 的 IFS 与 AIFS 为公共预报产品,数据免费或低价;HRRR 为美国本土高分辨率快速更新模式,逐小时运行;AI 气象模型第一梯队含 Google DeepMind 的 GraphCast 与 GenCast、微软 Aurora、NVIDIA FourCastNet、华为盘古气象,大多约 0.25 度分辨率
  9. 竞品信息(公开资料):Jua 累计融资约 2,700 万美元、团队 40 至 200 人,客户含 TotalEnergies、Shell、Enel、Statkraft、RWE、EDF 等,产品含 Athena 智能体,并用开源 StationBench 做评测;Tomorrow.io 走卫星 + 模型 + 平台的重资产路线,累计融资超过 2 亿美元;DTN、Meteomatics、AccuWeather 为传统商业气象服务商
  10. 技术背景(公开资料):AI 气象模型通常把当前大气状态编码为高维表示、在潜空间或状态空间向前积分、再解码回物理变量;训练完成后单次全球预报可在少量 GPU 上数分钟完成;主要弱点是训练分布外的外推能力(极端事件)与 rollout 误差随时效累积
  11. 商业模式背景(公开资料):气象 AI 的商业化集中于能源(风电与光伏出力预测、电力交易),原因是市场每日结算、预报精度的价值可即时折算;100 米风与地表太阳辐射是能源最关心的变量
  12. 资本背景(公开资料):YC 标准投资规模通常在 50 万美元量级;种子轮典型稀释比例 15% 至 20%,可按此推算投后估值区间(本报告的推算已标注为推断)

本报告依据公开资料整理,不构成投资建议。公司未上市,融资与团队数据来自第三方数据库且互相矛盾;精度结论均为公司自评测,未经独立第三方复现,相关判断已标注不确定性。

相关报告66

本报告基于公开信息整理,仅供参考,不构成任何投资建议。数据截至报告发布日,请以公司公告与定期报告为准。