华为盘古气象大模型要抢气象局饭碗？看看专家怎么说

自20世纪中期起,基于数学物理方程的数值天气预报模型在气象预报领域占据主导地位。这些模式通过模拟大气中的运动和状态变化,实现了对未来天气的计算机预报。数值预报大幅提高了预报精度,被视为人类科技发展的一个里程碑。

进入21世纪,数值预报模型的发展面临瓶颈。气候变化使大气运动更复杂多变,而传统模型提高预报精度的速度有所放缓。与此同时,深度学习等人工智能技术快速发展,被广泛应用于各领域。气象学家也开始尝试使用机器学习进行天气预测,寻求突破。

2021年,英伟达的FourCastNet首次在气象预测中使用深度学习,实现了较快的预测速度。2022年3月,华为发布了基于3D卷积网络的盘古气象大模型。实验结果显示,盘古模型的1小时至7天预报精度首次超过了欧洲中期预报中心的传统数值预测系统。与此同时,预测速度比数值模型提升了上万倍。华为团队进行了模型调整和开源,并在Nature上发表了论文。

文章刊出后立即在业内引起强烈反响，业内专家普遍给出了正面评价,认为盘古开启了新的预报范式。欧洲ECMWF的验证确认了盘古模型的预测优势,但也有业内专家指出AI模型存在依赖再分析数据、解释性不足、判断极端天气偏差等问题，具体包括：

1. AI模型依赖特定的数据集进行训练,无法实时应用。数值模型基于数学物理方程,不受此限制。
2. AI模型缺乏物理约束和解释性,改进空间有限。而数值模式建立在理论基础上。
3. AI模型在判断极端天气和台风路径上不如数值模型。
4. AI模型缺乏数据同化、集合预报等技术手段，对新观测数据应用有限。
5. 单一数据驱动模型更易受数据局限,面对气候变化存不确定性。数值模型理论预报能力强。

总得来看，虽然尚存争议，但是以盘古气象大模型为代表的AI大模型开创了气象预测领域深度学习技术应用的新纪元。它为业内带来了一种新的预报思路和范式。这种融合人工智能和物理模型的模式,有望最终通过打通数据和物理约束,成为气象预报的新主流。

以华为盘古气象大模型为代表的通过人工智能AI大模型预测天气的新方法，能否取代当前气象局依赖的基于数学物理方程的传统数值预报模型吗?相信这是很多小伙伴心头的疑问，其实早在去年10月，就有业内专家发文给出了答案。

2022年10月，中国地质大学主办的《地球科学》期刊，刊登了中国科学院大气物理研究所博士生导师，长期从事气候动力学和气候变化研究的李双林教授等人发表的一篇文章《数值天气预报的未来是人工智能与数学物理模型的融合？》，标题似乎已经给出了答案，但一个大大的问号又好像没那样笃信。有学术功底的小伙伴可以去知网下载这篇文章研读一下，小海猿今天不作长篇大论，只捡核心的观点，李双林教授认为：

1. 传统的数值天气预报模型在当前发展中遇到了瓶颈,提高预报精度的速度有所放缓,无法满足对更高精度预报的需求。近年来快速发展的人工智能技术为解决数值天气预报面临的难题提供了契机。
2. 深度学习可以在模式初值确定、物理过程表达、结果校正等多个方面为数值预报带来进步。利用人工智能技术增强的数值预报模式,在极端天气预报等方面具有明显优势。融合人工智能的预报模式可减小对气候背景和观测数据的依赖。
3. 人工智能技术具有发现数据潜在关系的优势,数学物理建模具有理论解释能力,两者可互补。通过数学物理模型与人工智能技术的深度融合,是当前数值天气预报发展的新方向。数学物理与人工智能融合,可发挥各自优势,推动数值预报水平的提高。

---

中国气象局2023年7月20日印发的《人工智能气象应用工作方案（2023-2030年）》似乎也给出了同样的答案，方案指出：人工智能已经在传统数值预报模式预报能力较弱的领域展现出一定的优势，通过进一步的生产实践，一定能探索出一条AI和传统数值预报模式协同发展，优势互补的路径。

后面的一系列合作似乎也进一步印证了气象系统的态度，即：AI模型与传统模型各有所长，双方优势互补、不存在抢饭碗一说。结局似乎要朝着你好我好大家好、优势互补、协同发展的方向去发展了。

不过从一些蛛丝马迹上，依然能够看出事实似乎并不完全如逾期。2022年12月，华为盘古气象大模型受邀赴中国气象局开展学术交流活动，气象局的官方报到仅用一句“报告结束后，参会人员进行了热烈讨论”描述当时的场景，不过从今年9月20日华为发布的《加速行业智能化白皮书》透露的一些细节让然看出一丝“火药”味（详见另一篇文章->从“不服”到“真香”，华为盘古气象大模型接入气象局业务系统）。

这次交流后，双方即约定开展业务验证，说白了就是比武，中央气象局选择了台风路径预报这一传统强项，具体的结果白皮书并未展开，只用了一句：“AI模型在单台服务器上高效率的生成了和传统数值模式相媲美的预报结果，并和气象业务系统实现对接，提供预报员参考，并在会商中使用”的描述。

在白皮书中，华为狠狠秀了一波肌肉，对于盘古气象大模型的自我评价：

• 资源消耗低，运算效率高：相对于当前传统数值天气预报遇到的计算速度慢（5-6 小时）、资源消耗大（上万 CPU 核）、预报精度提升不易等问题，AI 气象预报方案为业务人员提供了有力的支撑，预测精度统计视角分析高于传统数值方法 ( 欧洲气象中心的operational IFS), 同时预测速度提升 10000倍 , 能够提供秒级的全球气象预报 , 计算资源由上万 CPU 核计算运算数小时下降到单 AI 卡运算数十秒。
• 具备集合预报能力：由于推理效率的指数级提升，使开展上千集合成员的集合预报成为可能，大规模的集合成员可更完整覆盖可能的天气演变，提前洞察各种可能的极端天气情况，为公众提供有效的预警信息，社会价值巨大。
• 可以持续优化：随着高质量再分析数据的持续积累，通过训练平台周期性的对 AI 模型进行迭代优化，可持续提升模型的预报准确度。

盘古气象大模型与传统数值预报模型，究竟是合作互补还是互相取代的竞争？还是既优势互补，又在一部分领域不可避免的取代和竞争？答案或许只有时间才知道。