揭秘天气预报背后的黑科技。从古至今，预测天气都是令人类着迷的追求之一。我们的祖先仰望星空，观察自然，总结出“蚂蚁搬家要下雨” “晚霞红了天会晴”等朴素的预测方法。如今，随着人工智能(artificial intelligence, AI)技术的突飞猛进，天气预报正经历着一场前所未有的革命。那么，究竟是什么样的“黑科技”，让天气预报从“看天算卦”进化到了精准预测?让我们一起揭开这个谜底。

在人类文明的漫长历史长河中，预测天气始终是一项至关重要的能力，它关乎着人类的生存与发展。从远古时代开始，我们的祖先就已经开始通过观察自然现象，例如，通过云的形态、风向的变化、动物的行为等来判断天气。这些方法虽然原始，但有时也能提供一些有用的预示，比如可以帮助农民决定什么时候播种或收割。

进入中世纪和近代，气象学逐渐开始形成，但天气预报仍然是基于观察和经验。科学家开始记录气象数据，虽然技术手段有限，但通过积累大量的观测资料，天气预报变得更加系统化。17世纪和18世纪，欧洲的一些科学家尝试利用风向、气压等因素进行天气预测，但由于缺乏足够的数学理论和精密设备，预报仍然很不准确。

19世纪，天气预报进入了一个新的阶段。随着气象仪器的发明，比如气压计、温度计和湿度计，科学家能够更准确地测量大气中的各项指标。英国于1854年成立了气象局，气象观测网络开始建立，但预报的准确性和时效性仍然有限。

20世纪中期，计算机的出现为天气预报带来了革命性的变化。科学家们开始使用计算机模拟大气的变化，逐步建立起数值天气预报模型(numerical weather prediction, NWP)。这些模型基于物理定律，能够模拟大气的运动和天气变化。1950年代，气象学家通过数值方法成功地预测了天气模式，为现代天气预报奠定了基础。如今，气象大模型这一革命性技术的出现，将天气预报推向了一个新的高度。

预测天气：破解自然界最复杂的密码

想象一下，你正在煮一锅热汤。热气袅袅上升，水流翻滚，这个小小的锅里就在上演着与大气系统运动惊人相似的过程。但地球可比你的锅大多了!从赤道到极地，从海平面到平流层，空气像个永动机一样疯狂运动。

天气预报的核心任务就是通过对大气系统的理解和模拟来预测天气变化。大气系统由空气、温度、湿度、气压、风力等因素组成，这些因素不断交互作用，形成不同的天气现象。例如，低气压区可能引发风暴，高气压区则可能带来晴朗的天气。天气预报通过研究这些大气因素的变化和相互关系，来预测不同地区的天气状况。简言之，天气变化是大气系统内部各种物理现象的表现，天气预报的目标就是理解这些物理过程，并加以预测。

大气系统的复杂性远超人们的想象。它是一个典型的混沌系统，其最显著的特征就是对初始条件具有极度的敏感性。1963年，美国气象学家洛伦茨(E.N.Lorenz)在研究天气预报时发现了著名的“蝴蝶效应”：热带地区一只蝴蝶轻轻扇动翅膀所产生的微小气流变化，经过不断放大和传递，可能在数周后导致地球另一端出现飓风。这个富有诗意的比喻生动地展现了大气系统的非线性特征。

蝴蝶效

应示意

要理解大气系统的复杂性，我们需要深入认识其中涉及的多个物理过程。首先是热力学过程，包括太阳辐射、地表加热和大气对流。太阳辐射是地球能量的主要来源，它加热地表，促使空气上升，形成对流;其次是动力学过程，气压差异导致空气运动，同时还要考虑地球自转产生的科里奥利力和地表摩擦力的影响;然后是水汽过程，涉及水的蒸发、凝结和降水，这些过程不仅改变大气中的水汽含量，还会释放或吸收大量潜热;最后是化学过程，大气成分的变化和污染物的传输都会影响天气系统的演变。这些过程相互影响、相互制约，构成了一个极其复杂的非线性系统。

传统数值天气预报的突破与局限

20世纪中期，随着计算机技术的发展，数值天气预报应运而生。打个比方，假如你要制作一杯果汁，有各种水果(比如橙子、苹果、柠檬等)，想要预测搅拌后的味道。不同水果的比例、切割方式、搅拌速度和时间都会影响最终的味道。于是，你开始做一些实验，在这个过程中，你可以用一些“数学公式”来预测不同水果组合的味道。比如：如果增加更多的柠檬，果汁可能会更酸;如果搅拌时间长，可能会让果汁更细腻。这个过程类似于数值天气预报，它通过“输入”气象数据(就像你选择水果的种类和数量)，并利用数学模型“预测”结果(就像预测果汁的味道)。

数值天气预报是一种利用数学和物理公式，通过计算机模拟大气变化来预测天气的方法。简单来说，数值天气预报就像是给大气“做数学模拟”，通过输入当前的天气数据(例如气温、湿度、风速等)，然后通过复杂的计算得出对未来几小时、几天或几周的天气预测。

这些模拟过程基于大气科学中的基本物理定律，比如热力学和流体力学原理。计算机会通过超级复杂的数学模型，模拟大气中不同因素的相互作用，预测未来天气的变化。这是天气预报史上的一次重大突破，首次将天气预报从经验性预测转变为基于物理定律的科学计算。

然而，传统的数值天气预报也面临着多重挑战。第一，计算资源需求巨大。美国的超级计算机顶点(Summit)的浮点运算速度峰值达每秒20亿亿次，这类计算机通常用于天气预报的长期和短期模拟。在更高分辨率的天气预报中，计算量大到甚至需要数千个处理单元同时工作，耗费数天甚至数周的计算时间。全球预报的计算需求与模拟人脑和早期宇宙的计算需求相当。第二，预报质量高度依赖于初始数据的准确性，但由于观测系统的限制，很多地区特别是海洋、极地等区域的观测数据都相对匮乏。第三，计算能力限制了预测的精度。为了更精确地预测天气，我们需要更高的分辨率，这意味着天气模型需要看得更细致，像是每个城市、每个小区域的气温、湿度等变化。可是，如果我们把模型做得太细，计算量会急剧增长。第四，小尺度物理过程的简化处理。有很多非常细微的小尺度现象，比如云的形成、降水的演变等，这些过程对天气的变化影响很大。然而，这些小尺度的物理过程非常复杂，无法完全通过计算机模拟出来。为了处理这些过程，气象学家使用了一些简化的“假设”方法，叫作参数化方案，来估算它们的影响。但这些简化的方法往往过于粗糙，不能完全准确地描述实际的物理过程。第五，次网格尺度过程的模拟困难。大气中还有一些非常细小、局部的天气现象，像是微小的雷暴或局部的风速变化，这些现象发生在模型网格之间，大小通常小于模型的分辨率。就像你用一个大网去捕小鱼一样，这些小的天气事件会被漏掉。

这些局限性制约了传统数值天气预报的进一步发展，也为新一代预报技术的出现提供了动力。在AI技术快速发展的背景下，融合了深度学习的气象大模型应运而生，开启了气象预报的新纪元。

深度学习：化繁为简的智慧结晶

气象大模型是一种革命性的预报系统，它巧妙地将深度学习技术与传统的数值预报方法相结合。这种新型系统能够从海量的历史气象数据中自动学习天气演变规律，从而实现更加准确的天气预测。

深度学习是一种模拟人脑工作方式的计算模型——神经网络的一种高级形式，通过增加神经网络的层数(即“深度”)来提高模型的能力。层数越多，模型能够学习到的特征就越复杂。理论上，神经网络可以通过从大量数据中学习来捕获任何数据集中变量之间的非线性关系。神经网络的潜力在于它们一旦训练完成，就能以低成本提供快速的推理结果。

假如你在教一个小朋友认识这个世界。你会给他看各种图片，讲述各种故事，教他认识文字、理解语言。经过大量的学习，这个小朋友逐渐掌握了识别事物、理解语言、解决问题的能力。AI中的模型，就像是一个“数字小朋友”，通过海量数据的“学习”，获得了理解和处理信息的能力。模型的学习过程，可以类比为训练这位“数字小朋友”。首先，我们要给这位“数字小朋友”大量的学习材料，包括文字、图片、视频等各种形式的信息。然后，通过反复练习和纠正，“数字小朋友”逐渐自行掌握材料中的规律，学会正确完成各种任务。

大模型之所以叫“大”，不仅是因为它要学习的数据量很大，更重要的是它的“大智慧”——一个大模型通过学习，能够完成各种复杂的任务，比如理解人类语言、创作文章、分析图像等。就像一位博学多才的专家，掌握了丰富的知识和技能。它们通常拥有数十亿甚至上万亿个参数(参数是模型用来“记住”数据特征的数值)。这些大模型能够处理海量的数据，并从中学习到极其复杂的模式。比如，生成式预训练(generativepre-training,GPT)就是一个典型的大模型，它能够生成流畅的文本、回答问题，甚至创作诗歌。

揭秘气象大模型

如果说普通的大模型是在学习人类的知识，那么气象大模型就是在学习“老天爷的规律”。它的学习材料是过去几十年来收集的海量天气数据，包括温度、气压、风向、降水等各种气象要素的观测记录。

通过学习这些历史数据，气象大模型逐渐掌握了天气变化的规律。它就像一个经验丰富的“AI气象员”，通过分析当前的天气状况，能够预测未来几天甚至更长时间的天气变化。与传统的天气预报方法相比，气象大模型的一个显著特点是采用端到端的学习方式，这意味着它可以直接从原始的观测数据中预测天气，而不需要解决复杂的物理方程，也不需要像传统方法那样经过许多复杂的中间处理步骤，而是通过“学习”历史规律来做出预测，这使得预报既快速又准确。

华为盘古气象大模型架构

(a)基于视觉变换器的3DEST架构，通过调整移位窗口机制和应用位置偏差来优化性能；(b)层次时间聚合方法，使用贪婪算法进行预测，并针对不同的提前时间设计不同的预测模型。其中表示输入的初始天气状态，表示在时间24小时处预测的天气状态，表示在48小时处预测的天气状态，其余同理。这表明模型通过输入初始的天气数据，输出在不同时间点的预测天气状态。表示基础通道宽度，通道宽度可以理解为数据在嵌入空间中表示特征的维度数量。在深度学习等领域，数据通常会被表示为多通道的形式，每个通道可以看作数据在某个特定特征方向上的表示。在本项工作中

被设置为192，这意味着嵌入后的数据在特征维度上有192个通道，用于捕捉和表示数据的多种特征信息。

气象大模型还有多尺度建模能力。大模型不仅能够准确地把握大范围的天气系统，比如气候变化和大型风暴的演变，还能对局部天气现象，如城市中的微气候、短时暴雨等进行精确的预测。换句话说，它能够处理不同尺度的天气变化，从全球到局部都能给出可靠的预报。

除了要学习数据中的规律，气象大模型还要遵守基本的物理定律。这就像是在教育那个“数字小朋友”时，不仅要让他记住很多例子，还要让他明白一些永远不能违背的规则，比如能量守恒定律等。这样的设计确保了气象大模型的预测既符合历史规律，又不会违背自然法则。

华为盘古气象大模型入选2023中国十大科学进展，该成果发表在国际顶级学术期刊《自然》()。该模型是首个精度超过传统数值预报方法的AI模型，相比传统数值预报提速10000倍以上。华为云盘古气象大模型已正式上线欧洲中期天气预报中心和香港天文台地球官网，华为云还携手深圳市气象局、泰国国家气象局等打造高精度区域气象预报大模型。如与泰国气象局合作，将台风路径预测时间从5小时缩短至10秒，显著提升了应对极端天气的能力。华为盘古气象大模型凭借其高精度、高速度、高分辨率和强大的极端天气预测能力，为全球气象预报领域带来了革命性的突破，展现了AI在气象科学中的巨大潜力。

数据：大模型的“粮食”与“养料”

气象大模型的成功运行离不开海量数据的支持。这些数据来源十分广泛，构成了一个立体的全球气象观测网络。在地面上，分布着数以万计的自动气象站，它们全天候监测着温度、湿度、气压等基本气象要素;同时，气象雷达网络不断扫描着天空，探测降水和云系的演变，而风廓线仪则专门用于观测不同高度处的风速和风向。

在空中，气象卫星从太空俯瞰地球，持续不断地拍摄云图，监测大气运动;探空气球每天定时升空，收集大气垂直剖面的详细信息;民航客机在飞行过程中也会自动记录航路上的气象数据。在海洋上，众多的浮标、科考船舶和海洋站构成了海洋气象观测网，为我们提供海-气相互作用的重要信息。

除了实时收集的天气观测数据，全球各大气象中心还会制作一份叫作“再分析资料”的数据。这些资料将过去的历史观测数据和最新的气象模型结果结合起来，形成长期连续、物理规律一致的大气状态描述。再分析资料帮助气象学家更好地理解气候变化和天气趋势，它们就像是天气的“历史档案”，可以为我们提供更全面、准确的大气状态背景。此外，各种数值天气预报的输出结果也是重要的数据来源。换句话说，气象模型运行后的预测结果是气象学家分析天气的重要依据。这些纷繁复杂的数据每天产生的总量高达数百太字节，需要强大的数据处理系统来支持

革新与突破：大模型带来的气象预报新时代

气象大模型的应用给气象预报带来了显著的提升。在预报准确度方面，7天预报的准确率比传统方法提高了10%~15%。在极端天气预警方面，预警时间提前了12~24小时，这些宝贵的时间对防灾减灾至关重要。短时临近预报的精细化水平也得到显著提高，特别是降水预报的空间分辨率已经可以达到千米级，能够为城市防涝、交通运输等提供更精准的服务。

在计算效率方面，得益于深度学习方法的应用，大模型显著减少了计算资源的需求，缩短了预报时间，同时还能提供更加丰富多样的预报产品。这些进步使得气象服务能够更好地满足不同行业的具体需求。例如，盘古气象大模型在单个图形处理器(graphic process unit, GPU)上的推理成本为1.4秒，比传统方法快10000倍以上，能够迅速完成全球气象预报。

未来与挑战：继续书写气象科技新篇章

气象大模型的发展还面临着诸多挑战和机遇。在模型架构方面，需要进一步发展架构，提高模型的可解释性，增强物理约束;在算法方面，需要持续改进深度学习方法，发展新型数据同化技术，优化参数化方案;在观测系统方面，需要提高观测密度，发展新型遥感技术，完善观测网络。

同时，我们还面临着多重挑战。科学上的挑战包括如何更准确地描述复杂的物理过程，如何提高模型的可解释性，如何更好地量化预报的不确定性。技术上的挑战则包括进一步提升计算效率，持续改进数据质量，增强模型的泛化能力。在应用方面，需要更好地实现产品的本地化适应，提供更精细化的服务，确保预报信息能够有效传递给最终用户。

展望未来，气象大模型将继续在气象科技发展史上书写新的篇章。它不仅提高了预报准确率，也正在改变传统的预报方式。在气候变化日益严峻的今天，提升预报能力显得格外重要。通过不断创新和突破，人类终将在预测天气这个古老谜题上取得更大进展。然而，我们也不能忘记，保护地球环境、减缓气候变化的步伐，是每一个地球公民义不容辞的责任。