盘古气象大模型登上《自然》

背景

未来几天的天气预报来自数值天气预报（numerical weather prediction）：把大气表示成由温度、气压、风、湿度等变量组成的网格，再用超级计算机把物理方程一步步向前推演。这种方法建立在物理规律之上，几十年来不断改进，但每一次预报都要消耗大量算力，一天之内反复运行全球中期预报代价很高。

机器学习提供了另一条路径：不去解方程，而是让模型从历史天气档案中学习，把当前的大气状态直接映射到未来的状态。这类档案通常是再分析（reanalysis）资料——把过去的观测放进一套固定的预报系统里重新处理，使整段历史彼此一致，可以当作共同的标尺。与中期预报并行的还有临近预报（nowcasting），它覆盖的是常规数值预报还来不及跑完的那一段很短时效。

发生了什么

2023年7月5日，《自然》（Nature）连同同行评议材料一起刊出了盘古气象（Pangu-Weather）论文^[1]。论文题目提到三维神经网络，给出的是一个用于全球中期天气预报的深度学习模型。

同一期《自然》还刊登了另一篇天气论文 NowcastNet，这是一个对极端降水做临近预报的深度学习模型，载于第619卷，第526至532页^[2]。两篇论文在同一天发表，都把 AI 摆在了计算昂贵的数值模型之外的另一条路上^[1][2]。

关键细节

盘古气象的结论不只关于速度，更关于预报技巧。论文报告：在所检验的每一个变量上，它的确定性预报（deterministic forecast）都优于 ECMWF 的业务系统^[1]。所谓确定性预报，是对给定初始状态给出单一预报，而不是用多组稍有扰动的初始条件跑出一个集合。

比较的对象是欧洲中期天气预报中心（European Centre for Medium-Range Weather Forecasts）的集成预报系统（Integrated Forecasting System）^[1]。当模型用再分析资料作初始场时，它对热带气旋的追踪也优于 ECMWF-HRES^[1]。

评估把再分析资料作为比较 AI 预报与数值预报的共同参照^[1]。这一点对理解结论很重要：学习模型和基于物理的系统是用同一份存档记录打分的，在这个参照之内，二者是可比的。

为什么重要

两件事让这次发表值得注意。其一，结果经过了同行评议，发表在一份综合性科学期刊上，而且同一期还有第二篇 AI 天气论文^[1][2]。两篇合起来覆盖了不同的时效——一篇是全球中期预报，一篇是极端降水的临近预报——并且都把机器学习陈述为昂贵数值模型的替代方案^[1][2]。其二，对照的是业务预报系统，而不是另一个研究模型，而且报告的优势覆盖了所有被检验的变量^[1]。

论文没有解决的是这类模型如何进入业务流程。学习出来的预报，水平受制于它训练和打分所用的那份记录，把再分析资料当作共同参照，本身就是这个问题的一部分^[1]。把 AI 说成数值模型的替代，也留下了二者如何配合的余地：数值模型带着物理约束，学习模型带来速度，而这两者的关系并未由这几篇论文定下来。