氣象預報和每位人的生活都息息相關。假如說明天的天氣會影響你穿哪些衣物、去哪兒，這么一周后的天氣預報，可能影響你是否會出差、活動方是否適宜舉行小型體育比賽。
除了這般，中期氣象預報預測還在防災減災中發揮重要作用，它將及時提醒什么地方的村民須要及時避災避險，其精準性不但影響當地經濟，還涉及到數以萬計的生命安全。
相較24小時以內、局部的氣象預測，中常年氣象預測由于氣候的變幻詭譎，常常確切率會更低。傳統數值預報，也就是將氣象檢測數據代入物理化學方程式的預測方法，也因而未能改變中常年氣象預測的困局。
正當眾人紛紛探求到底那里是中常年氣象預報的突破口時，華為云試著將這個困局拋給了AI大模型。
近日，華為云推出了高幀率全球AI氣象預報系統：盤古氣象大模型，其中常年氣象預測精度超過業界基于傳統數值方式的模型，預測速度提高10000倍。
▲華為云盤古大模型全球氣象實時預測
華為云盤古氣象大模型是業內首個精度超過傳統數值預報方式的全球AI氣象預測模型。它有什么技術優勢？研制團隊怎么增強AI氣象預測精度？AI大模型產業化早已發展到哪些程度？
帶著這種問題我們和華為云人工智能領域首席科學家、IEEE、國際歐亞科大學教授田奇等專家進行了深度交流，找到了答案。
用AI預測一周后的全球天氣可靠嗎？
氣象預測，雖然就是預測大氣運動狀態以及其各種變化。影響天氣變化的誘因有好多種，如經經度、地形地勢、大氣環流、海陸分布、洋流等。在這種影響誘因中，任何一個微小的數值變化，都可能帶來迥然不同的結果。
正如你們所熟知的，一只南非洲亞馬遜河流域溫帶雨林中的蝴蝶，時常扇動幾下翅膀，可能會在兩周之后引發韓國得克薩斯州的一場龍卷風。這彰顯了世界是一個普遍聯系的有機整體，氣象是全球互相關聯的。
這同樣也導致了傳統數值方式在中常年天氣預報預測的窘境，任何一點細小的數據偏差，都易導致結果巨大誤差。更畢竟，目前科學界對大氣運動規律認識有限，用于估算未來天氣的各項數據無法達到最高水準。
“當一個問題涉及極其復雜的物理機理，人們很難找到具體的方程式。同時，還涉及到大量數據時，我們覺得這個問題很適宜交給AI去解。”田奇說。他覺得氣象研究是一個很適宜AI發揮相應作用的一大領域。
▲華為云人工智能領域首席科學家、IEEE、國際歐亞科大學教授田奇
無論是傳統數值方式，還是過去的AI模型都是基于局部的數據作出相應預測，但由于全球氣象是相互影響的，因而對于整體氣象預測而言，這兩種方式的預測確切率通常都不高。
這么，要怎么構建一個可以更精準地進行全球氣象預測的AI大模型呢？
華為云研制團隊首先通過全球氣象數據，構建了一個精準的全球氣象模型。之后，盤古大模型的研制人員通過微調的方法將當地的氣象數據喂給盤古氣象大模型，因而讓大模型更熟悉當地的氣象特點，更好地預測氣象變化。
該AI模型的水平空間幀率達到0.25°×0.25°，約28公里x28公里，可以精準地預測細細度氣象特點。
目前，盤古氣象大模型還能提供秒級的全球氣象預報，其氣象預測結果包括位勢、濕度、風速、溫度、海平面氣壓等。據介紹，盤古氣象大模型還可以直接應用至多個氣象研究細分場景，如溫帶風暴預測等。
全球AI氣象預報系統背后的黑科技
為何在過去一段時間內，全球AI氣象預報模型的預測精度遠高于傳統的數值預報？盤古研究團隊發覺，主要緣由有兩點：
以這兩點為突破口，盤古氣象大模型的研究團隊首先通過3DEarth-的方法處理復雜的不均勻3D氣象數據，增強AI大模型的預測精度。
“簡單來說天氣預報大氣壓強查詢，我們的世界是三維的，過去，我們是將三維的數據交給二維的神經網路來處理，所以會存在不足。具體來說，2D模型無法捕捉不同大氣高度下氣流團之間的互相作用，但是2D模型無法把握通常只在3D空間中完全敘述的天氣過程（如幅射和對流）的規律。如今我們開始嘗試用三維的神經網路去處理氣象的數據，能得到更精準的結果。”田奇說道。
他還談到未來，假如想要進一步增強AI模型的精準度，研究人員可以在三維的基礎上再加上時間軸，弄成四維的深度學習網路，預測結果可能會更好。
▲3DEarth-構架
同時，盤古氣象大模型還通過“層次化頻域聚合策略”，降低了大模型迭代偏差，并降低了一定內存消耗，提高了訓練效率。
研究人員通過訓練4個不同預報間隔的模型，之后用貪心算法調試這種模型，進而讓預測特定時間氣象情況的迭代次數最小，降低訓練資源消耗，提升訓練過程的穩定性。
基于這兩點為突破口，相較于其他的預測方法天氣預報大氣壓強查詢，盤古氣象大模型在高空氣象預測、地表氣象預測數據方面，偏差進一步減少。
例如說，在同一高空變量Z500時，傳統數值方式，以法國氣象中心的IFS為代表，預測均方根偏差（單位：m2/s2）為152.8和333.7，盤古氣象大模型把偏差降低到134.5和296.7。
據介紹，同一預測精度下，盤古氣象大模型可以預測時間范圍可以延長到36小時以上。
換句話說，在高空氣象預測領域，盤古氣象大模型的預測結果比傳統數值預報和AI預報的預測偏差分別增加了10%、30%。而同一預測精度下，盤古氣象大模型還能比傳統數值預報時間和AI預報的預測時間更長，當其他方式才能預測一天氣象時，盤古大模型可以預測四天后甚至是五天后的氣象變化。
同時，盤古氣象大模型可以更好地預測更細小的氣象特點變化，進而幫助氣象學家獲得更確切的氣象結果，以及從事相關氣象研究。
“這并非是盤古氣象大模型的預測極限”，盤古大模型研制專家講，“隨著大模型進一步迭代，盤古氣象大模型的預測精度還才能進一步增強。”
據悉，盤古氣象大模型在一些極端天氣、熱帶風暴的預測上，同樣達到了更高的精度。
據介紹，盤古氣象大模型在預報2018年知名的臺風康雷和玉兔時都達到了很高的確切度。非常是臺風玉兔，盤古領先傳統方式超過48小時，同時判定出玉兔的正確登錄地點：新加坡黎巴嫩亞納群島。
可以見到，在優化了AI大模型的處理數據的方法后，華為云首次實現全球AI氣象高精度預測。據悉，當未來須要用盤古氣象大模型進行區域性氣象精準預測時，僅須要輸入少量當地數據，即可快速得到該區域高精度氣象預測的結果。
盤古氣象大模型的出現，填補了氣象預測在中常年預測的不足之處，帶動了國外中常年的預測發展，實現了在該領域的“國產自研”。
大模型已走出實驗室將成為AI的“操作系統”
目前，盤古大模型早已在電力、煤礦、醫療等多項目上逐漸落地，氣象領域則是盤古大模型踏入的新領域之一。
“我們也聽到一些新的方向，如針對語音助手更好的對話模型、AIGC、渲染等領域。”田奇提及未來挖掘盤古大模型新的應用場景時，將會以“高價值、大場景”為主要標準。他覺得大模型并非適宜解決所有問題，一些細分的場景并不適宜AI處理。
“我們希望通過大模型做一個基座，在前面‘長’出好多應用。就那些場景來講，假如解決一個場景，就可以快速到不同地方復制解決相關問題，這種就是高價值、大場景的領域，值得我們去關注。”田奇補充道。
這樣的選擇標準也和近些年來AI大模型的發展離不開關系。
近些年來，預訓練大模型的出現讓行業與AI快速結合成為了可能，企業在通用大模型的基礎上進行行業知識的微調后，可以快速訓練出一個好用的行業模型，支撐不同企業的個性化訂制需求。這也是這幾年人工智能領域一個新的動力來源。大模型也從實驗室的“工具”，成為一個觸手可及的服務、一項人工智能的基礎設施。
▲AI的發展歷程
隨著越來越多的AI大模型走出實驗室，踏入產業深處，中國信通院也在明年啟動大模型系列標準編制工作，希望以此規范產業鏈的發展。
華為云也參與到中國信通院的大模型標準構建工作中，加速推動人工智能實用化、通用化和普惠化發展進程。在首輪大模型測評的“模型開發”和“模型能力”兩部份，華為云盤古大模型達到了當前最中級4+級標準。
田奇提及，華為云在整合了大模型的研制和落地經驗后，還組織專家團隊，撰寫了《預訓練大模型藍皮書》。“我們希望將自身對大模型的洞察毫無保留地分享給業界，通過梳理大模型的關鍵技術點，提供一種通用的標準，實現大模型的標準化和產業化。我們希望大模型還能漸漸成為AI的‘操作系統’，讓大模型或則AI能力真正才能釋放到生活中去。”
AI大模型走入產業“深水區”
盤古氣象大模型的成功，不但代表著AI大模型正在邁向產業“深水區”，并且也是國外科技自立自強的的案例之一，填補了國外在中常年氣象預報的不足之處。
通過常年基于全球天氣數據訓練深度神經網路模型，盤古氣象大模型成為了業內首個精度超過傳統數值預報方式的AI大模型。在研制過程中，華為云既有基于過去AI氣象模型的思索和迭代，又基于氣象數據的特點，在大模型的數據處理等環節進一步創新。
AI大模型正成為明年最熱門的話題之一。正如田奇所說，AI大模型正在成為AI的“操作系統”，在此基礎上，AI大模型可以充分發揮AI的生產力，并衍生出各類不同的AI工具，促使數字化產業化變革。
