天气与气候事件的可预报性研究聚焦于厘清产生预报误差的原因和机制，进而给出减小预报不确定性的方法和途径，这不仅有助于改进观测和预报系统，还能深化对天气和气候现象的理解。随着人工智能（AI）技术的进步与海量气象数据的积累，数据驱动方法在天气与气候建模中的应用日益显著，如AIFS、Pangu-Weather、FuXi和GraphCast等模型在实时业务预报中已取得优异成果。在当前背景下，我们建议AI模型不应局限于预报，而应扩展到可预报性研究领域。首先，我们强调高模拟能力与精细时空分辨率是AI模型应用于可预报性研究的基石，并指出具备与数值模型相当模拟能力的AI模型可视为数据驱动的偏微分方程求解器。然后，我们重点介绍了一个基于AI模型开展ENSO多样性预测的第一类可预报性研究案例，揭示出几类新型的最快增长初始误差，并在数值模式中验证并阐述了这些初始扰动的动力增长机制。最后，我们主张将AI模型整合至“认知-观测-建模”这一循环式的气象研究范式中，充分发挥AI模型高效计算与自带优化模块的特性，实现“big data”到“big and better data”的转变，推动“AI for forecasts”向“AI for science”演进，以促进大气和海洋科学的深入发展。

气象大模型,可预报性,ENSO,最快增长初始误差