AI 기상 모델은 단기 및 중기 예측(최대 15일)에는 뛰어나지만, 더 긴 기간 동안 롤아웃 (Rollout)을 수행할 때 정의되지 않은 "불안정성 (instabilities)" 문제를 빈번하게 겪습니다. 본 연구는 9개의 최첨단 (state-of-the-art) AI 기상 모델을 1년 동안 롤아웃하여, 이러한 실패 사례를 폭발 (blow-up), 드리프트 (drift), 계절성 상실 (loss of seasonality)이라는 세 가지 뚜렷한 체제로 분류함으로써 공식적인 분류 체계의 부재 문제를 해결합니다. 우리의 분석에 따르면, 안정성은 작은 시공간적 규모 (spatio-temporal scales)를 어떻게 처리하느냐에 달려 있습니다. 불안정한 모델은 고주파 에너지를 증폭시키는 반면, 안정적인 모델은 입력값에 노이즈가 추가되었을 때 디노이저 (denoiser) 역할을 수행합니다. 우리의 연구 결과는 이러한 모델들을 단순한 확률적 앵무새 (stochastic parrots)로 치부하기에는 무리가 있으며, 안정적인 모델은 초기 상태에 따라 고유한 기상 궤적을 생성한다는 점을 강조합니다. 우리는 최첨단 Vision Transformer (ViT) AI 기상 모델 아키텍처를 사용하여 수행된 아키텍처 설계 선택에 대한 절제 연구 (ablation studies)를 통해 이러한 발견을 검증합니다.