Aurora 地球系统基础模型

Aurora 是什么

Aurora 是一个面向地球系统的基础模型（foundation model），2025 年 5 月发表于《自然》（Nature），刊于第 641 卷，第 1180 至 1187 页^[1][2]。基础模型指的是先在海量、宽泛的数据上训练，再适配到具体任务的大规模神经网络——通用语言模型走的就是这个路子。Aurora 把同样的思路用在多种地球物理数据上：它的定位不是某一个预报产品，而是覆盖地球系统多个领域的单一模型^[1]。

训练数据与微调

模型的训练数据超过 100 万小时的多样化地球物理数据^[1]。规模在这里是关键：见过多种观测的网络能学到可以在不同问题之间迁移的结构，换一个新任务不必从头再来。论文指出，它可以在成本不高的情况下微调（fine-tuning）到多种应用上^[1]。微调就是拿已经训练好的网络，用一个小一些的、针对具体任务的数据集再调整一遍，代价远低于从零训练。

结果

作者把 Aurora 与业务预报（operational forecast）——也就是气象和环境机构日常对外发布的预报——在多个领域做了比较。在高分辨率天气^[1]、空气质量^[1]、海浪^[1]和热带气旋路径^[1]上，它的表现都优于业务预报。这几件事并不是同一个问题的变体：空气质量涉及化学与排放，海浪取决于风和海况，气旋路径取决于大尺度流场；用一个模型把它们都覆盖住，正是「多个领域」这个说法的实际含义。

这些结果还附带另一个数字：以上全部工作所需的计算成本，比它所比较的数值模式（numerical model）低几个数量级^[1]。数值模式是传统做法：把物理方程写进程序，在大机器上一步步求解；分辨率一提高，算力开销就跟着上去，这限制了预报能多频繁、在多大范围上制作。

作者与目标

作者包括 Cristian Bodnar、Wessel Bruinsma、Ana Lucic 和 Megan Stanley 等人^[1]。他们把这项工作描述为朝着让准确、高效的地球系统预报民主化迈出的一步^[1]。这个说法的依据就在上面两组结果里：如果准确预报可以用少得多的算力得到，如果同一个训练好的模型能低成本地适配到新领域，那么制作预报工具的能力就不必与庞大的算力预算绑在一起。

在发展中的位置

机器学习方法用于天气与环境预报时，通常的评价方式就是直接和业务预报对比，这篇论文用的也是这把尺子。Aurora 的不同之处在于覆盖面：不是一个变量、一种灾害配一个模型，而是一个在宽泛地球物理数据上训练、并在四个不同预报问题上检验过的单一模型^[1]。论文的贡献正是这个组合——一个模型、四个领域，以及比对照的数值模式低几个数量级的计算成本^[1]。