作者:冯丽妃,刘晓倩 来源:中国科学报 发布时间:2026/11/20 17:00:31
选择字号:小 中 大
打破算力瓶颈!一块显卡实现全球7公里级气象精细化预报

 

气象模型会把地球表面切成网格来预测天气,每个格子的边长即为“格距”——格距越小,格子越细,模型能“看见”的天气细节就越多。

如果把全球气象模型的水平格距从0.7°压缩到0.07°,常规路径下算力需求要暴涨上百倍。中国科学院青藏高原研究所(以下简称青藏高原所)研究员田向军换了个思路:不重新训练一个更大的高分辨率模型,而是先设定一个基础“起点”,在其上面逐级“加层”。这项技术被命名为“万拓”(One2N)。

依托一块80GB的显卡,历时约四周,这套框架将原有的0.7°预报模型细化为全球0.07°、每2小时更新一次的两级预报系统。11月16日,青藏高原所据此发布了万拓气象大模型。

该研究由田向军牵头,与北京信息科技大学、北京大学、中国科学院大气物理研究所、国防科技大学、山东省科学院等单位合作完成。

事情的起点,要回到5年前的一次谈话。

一道算术题

2021年,田向军与荷兰代尔夫特理工大学教授林海翔聊天中提起再分析数据。他们有一个共同的判断:对数值模式与观测数据的同化而言,大气再分析数据里应该“藏”着一个比数值模式更好的AI模式——用再分析数据训练AI气象大模型。

但由于缺乏相关资源支持,相关工作当时并未启动。

随后,国内外数据驱动的大模型相继出现,表明这条路径确实可行。田向军一边争取资源,一边做论证:在算力不足的情况下,分辨率到底能不能提上去?靠什么提?这个问题他想了四五年。

天气和气候模式的分辨率提升,受制于一道简单的算术题:格距减半,格点数翻四倍。格距从0.7°到0.07°,是10倍的提升,格点数则是100倍。对流风暴、地形降水等需要精细刻画的过程,也因此长期停在参数化里。

当前主流路线主要有三类:一是依托超算推演,把全球模式推到公里级,代价是计算耗时,难以常态化业务运行;二是数据驱动的大模型,推理仅需秒级,但输出分辨率大多停留在0.25°、时间步长6小时的水平;三是对已有模型进行重新训练,把分辨率“练”出来。第三条路线最常用,成本也最高:每换调整一次分辨率,整套模型都要从头完成训练。

“而我们的高分辨率建模思路,其实很像画素描——先勾出总体轮廓,再逐层加深细节。”田向军说。可现有的训练框架不允许这样画:模型必须一次性建到目标分辨率,中间的成果既存不下来,也无法复用——这也是第三条路昂贵的根源。

更简便的解题思路

如何解决这一问题?万拓采取了一套朴素的做法:第0级作为起点,也就是被冻结的父模型;第1级的预报器,等于上一级预报器叠加本级专属的增量算子。

起点有两种选择:把现成预报系统原样作为父模型,不改原有权重;或者自主训练一个粗分辨率基线模型,训练速度快、基准精度可控,成本很低。在两种起点之上,再逐级“加层”细化模块。

支撑这套方案的,是训练时的三重约束:父模型参数冻结,梯度不穿过父模型,只训练新增的残差模块。三者共同作用,训练时无需为父模型保留反向传播所需的内部激活、参数梯度,也无需维护其优化器状态,训练时省去了这部分显存开销。

父模型与子模型之间,仅通过“状态接口”交互:父模型的预报被映射到更细网格,叠加所学习得到的残差后,即可重构高分辨率状态。这意味着,父模型可以是数值模式,也可以是数据驱动模型,或是两者的混合。

这套机制与渐进式增长、多网格训练、以及多模型级联等方法存在本质区别。这些方法需要联合优化、梯度跨级传递或改动父模型权重。而万拓方案里,父模型全程不动、不求导、不重新训练。“我们最想确认的不是能不能更准,而是在完全不动父模型的前提下,分辨率能不能真的提上去。”联合通讯作者、北京信息科技大学副教授王灿说。

研究团队基于2023年120组配对起报样本开展的10天全球预报评估结果显示,万拓提升分辨率的同时未损失预报技巧,代表性对流层诊断量与父模型大体相当。

让他们意外的是,相较父模型,在1—7 hPa平流层上层,12—240 小时预报的位势均方根误差平均相对降幅达91.10%—92.12%,1 hPa温度的相应降幅为59.14%,且从12小时一直维持到240小时。团队分析认为,残差模块有效校正了父模型在该层次存在的系统性偏差。与0.25°数据驱动预报模型盘古气象对比,在1300个检验目标中,万拓93.46%均方根误差更低。

在台风预报方面,对2023年84个热带气旋的检验显示,相较盘古气象,万拓24—168小时中位路径误差降低16.5%—66.9%;168小时中位误差由1024.8公里降到339.4公里。

重塑模式演进逻辑

研究团队表示,如果仅把万拓当成“把天气预报做细”的技巧,就低估了它的价值。这套框架的真正价值是把“已有的能力”和“新增的能力”分开。地球系统模式由大气、海洋、陆面、冰冻圈、大气化学、碳循环等分量组成,每一轮升级都要面对同一个麻烦——改一个分量,整套模式往往要重新调参、重新耦合、重新验证。而沿用“冻结+增量”的思路,任何一个分量都可以在保持原有行为的前提下被细化或替换,其他分量不必推倒重来。

对地球系统模式的构建来说,这意味着模式不再是“一次建成”的整体,而是由若干可以独立演进的分量,通过状态接口拼接而成,大幅降低了系统升级的门槛与成本。

关于AI气象模型,气象预报界有一种说法:空间分辨率粗、时间步长偏大、模拟要素片少。但田向军认为,粗糙并非AI的固有属性,而是当前训练范式的局限。万拓把“重训整个模型”换成“冻结已有模型、只学增量”,高分辨率训练的成本不再随父模型规模膨胀,成功将分辨率从0.7°推到 0.07°。在他看来,AI与传统数值预报不是竞争关系,两条路线可以携手向前。下一步,团队将打通多级递归流程,给出成本随层级变化的实测数据。

万拓不是一个孤立的框架。田向军团队长期从事数据同化的研究与应用,自主研发了国际先进的非线性最小二乘四维变分同化方法(NLS-4DVar),构建了区域与全球的数据同化系统。研究团队计划,进一步将万拓打造为面向青藏高原等目标区域的定制化“公里—分钟级”物理AI气象模拟器,兼顾AI轻量化部署与物理模型的精准性,将本地观测转化为本地高精度预报能力,赋能千行百业。

“我们的目标是让这套框架在高原上真正跑起来。” 该研究共同第一作者、中国科学院青藏高原研究所博士生谈艳艳说。这条路能否落地,取决于底层的算力与芯片。团队表示,地球系统模式大装置在网络构建过程中给予了大力支持。目前,海光信息CPU与DCU已应用于团队相关科研计算,通过CPU与DCU异构协同,为复杂地球系统计算提供算力支撑,并借助DCU的高精度计算能力满足科研模拟对计算精度的要求。未来,团队将与海光信息合作,推进“国产芯片+国产专业 AI”的自主组合。

最终,研究团队想解决的,不只是把天气模型做得更精细,而是让地球系统模式的每一次升级,既不必从头再来,也有底气从头再来。

 
版权声明:凡本网注明“来源:中国科学报、科学网、科学新闻杂志”的所有作品,网站转载,请在正文上方注明来源和作者,且不得对内容作实质性改动;微信公众号、头条号等新媒体平台,转载请联系授权。邮箱:shouquan@stimes.cn。
 
 打印  发E-mail给: 
    
 
相关新闻 相关论文

图片新闻
研究提出我国森林碳汇经营新思路 研究实现陶瓷薄膜低温致密化制备
科学网2026年10月十佳博文榜单公布! 第三类磁性有了关键证据
>>更多
 
一周新闻排行
 
编辑部推荐博文