使用人工智能（AI）模型开展集合预报已成为量化预报不确定性的关键手段。然而，现有高效的数据驱动集合预报模型多依赖概率神经网络架构，虽能直接学习未来状态的概率分布，却对初始条件不确定性的影响关注不足——这在很大程度上源于AI模型对小幅随机扰动的敏感度有限。近期研究表明，具有特定空间模态的初始扰动在AI模型与动力模式中的演变过程高度一致。受此启发，我们首次将基于变分推断的条件非线性最优扰动（Variational Inference–Conditional Nonlinear Optimal Perturbation，VI-CNOP）方法引入伏羲（FuXi）模型中，用于台风路径的集合预报。VI-CNOP可最优估计增长型分析误差分布，并由此高效采样出具有代表性的初始扰动集合成员。实验结果表明：在AI模型中构造符合物理规律的初始扰动，不仅可显著提升预报技巧并获得合理的集合离散度，超越传统集合预报方法（如SV、NSV等）的预报技巧，而且所叠加扰动的演变过程具有高度可解释性。

人工智能,气象大模型,条件非线性最优扰动,集合预报,增长型分析误差分布最优估计