中国科学院青藏高原研究所11月16日在北京正式发布万拓(One2N)气象大模型。该模型展示了一种低成本实现全球天气模型精细化的全新路径:在一块80 GB显存的通用显卡硬件环境下,研发团队历时约4周,成功将已有的0.7°全球预报模型细化升级为覆盖全球、分辨率达0.07°且每2小时更新一次的两级精细化预报系统。

万拓气象大模型由中国科学院青藏高原研究所田向军研究员牵头研发,联合了北京信息科技大学、北京大学、中国科学院大气物理研究所、国防科技大学以及山东省科学院等国内多家高校与科研机构的合作团队共同攻关。目前,阐述该模型技术框架与实验验证的相关学术论文已在预印本平台arXiv正式上线。

解耦核心机制:三项关键约束规避海量显存开销

长期以来,全球高分辨率天气预报模型的高昂计算成本和庞大显存需求一直是限制其广泛部署与升级的核心瓶颈。万拓气象大模型在此技术路线上提出了极为朴素且高效的算法架构。据田向军介绍,万拓算法的起点是一个被完全冻结的“父模型”,系统的第1级预报器,设计为上一级预报器叠加一个该层级特有的增量算子。

在技术构建中,万拓提供了两种灵活的起点方案:其一是直接将现成的既有预报系统原样作为基础父模型使用;其二则是首先训练一个极粗分辨率的基础基线模型,由于初始基线计算量极小,其训练速度快、容易保证基础精度且综合代价极低。在此基础之上,研发人员再按照业务需求逐级向上“加层”。在这个框架下,父模型的形式具备高度兼容性,既可以直接采用传统的数值天气预报模式,也可以选用纯数据驱动的深度学习模型,或是采用二者优势互补的混合架构。

这一架构能够显著降低显存开销的关键,在于训练过程中严格执行的三大核心约束:父模型参数完全冻结、计算梯度不穿过父模型、仅对新增的残差模块进行训练。这三项技术约束相互配合,使得计算系统在反向传播过程中,完全不需要为庞大的父模型保留用于梯度更新的内部激活值和参数梯度,同时也无需在显存中维护父模型对应的优化器状态,从而彻底消除了传统高分辨率模型全量重训时产生的巨大额外显存负担。

针对这一机制的技术特质,北京信息科技大学副教授王灿指出,万拓的运行逻辑与传统的渐进式增长、多网格训练以及常见的多模型级联方法有着本质差异。后几种传统方案在实际训练中,要么需要进行全系统联合优化,要么存在跨层级的梯度传递计算,要么必须动态改动基础父模型的内部权重。与之形成鲜明对比的是,万拓框架中的父模型在全流程中保持绝对静止状态,既不参与求导计算,也无需执行任何二次重训。

实测精度显著提升:台风预报路径误差大幅降低

为了全面检验万拓大模型的实际业务预报效能,研究团队基于2023年的120组配对数据开展了为期10天的全球预报严格评估。测试数据表明,该模型在大幅提升空间分辨率的同时,完全保留了原有的预报技巧,各项具有代表性的对流层诊断物理量表现均与父模型大体相当,未出现分辨率提升时常见的高频失真或技巧衰减现象。

在与国际主流的0.25°数据驱动预报模型盘古气象(Pangu-Weather)进行的系统性对比中,万拓展现出了优异的预报质量。在涵盖各类气象要素的1300个标准化检验目标中,万拓有93.46%的目标均方根误差(RMSE)均低于盘古模型,表现出更为出色的整体预报稳定度与精度把控能力。

在针对极端灾害性天气的预测表现上,研究团队对2023年发生的84个热带气旋进行了回溯性专项检验。检验结果显示,相较于盘古气象模型,万拓在24小时至168小时预报时效内的中位路径误差整体降低了16.5%至66.9%。其中,在长达168小时(7天)的超长时效预报中,万拓将台风中心位置的中位误差由基准对比模型的1024.8公里大幅压缩降至339.4公里,展现出对极端天气演变趋势极强的刻画能力。

重塑地球系统演进:变“整体重构”为“模块增量”

对于万拓大模型所具备的技术深度,田向军强调,这项成果的实质价值并不仅仅在于提供了一个“把天气预报分辨率做细”的工程技巧,更核心的突破在于从底层将系统的“已有能力”与“新增能力”完全解耦分开。这一创新理念有望为极其复杂的地球系统模式开发带来范式转变。

现代地球系统模式通常由大气、海洋、陆面、冰冻圈、大气化学以及碳循环等极其复杂的多圈层分量相互耦合而成。在以往的模式升级换代过程中,科研团队往往面临牵一发而动全身的技术困境——仅仅改动或升级其中某一个圈层分量,整套地球系统模式通常都需要全面重新调参、重新开展大规模耦合试验并重新验证所有物理守恒,这导致全系统的升级维护代价异常高昂。

万拓所确立的“冻结+增量”技术范式,打破了这一长期困扰学界的技术僵局。在此逻辑下,地球系统模式中的任何一个单一圈层分量,都能够在严格保持既有物理行为的前提下独立完成局部细化或模块替换,其他协同分量完全不必因此推倒重来。这意味着未来的地球系统模式不再是一个必须“一次性完整建成”的笨重黑盒,而是转变为由若干能够自主、独立演进的分量构件,通过标准状态接口柔性拼接而成的开放系统,极大地拉低了复杂地球科学大模型的演进门槛与技术成本。正是通过把“重训整个模型”转变为“冻结已有模型、只学增量残差”,高分辨率训练成本彻底摆脱了随父模型规模膨胀而呈指数级上升的宿命,最终成功以极低代价实现了从0.7°至0.07°的跨越。

聚焦高原实战部署:推进国产芯片与专业AI深度融合

技术创新的落脚点始终在于应对现实中的复杂科学与防灾挑战。中国科学院青藏高原研究所博士研究生谈艳艳表示,团队研发的核心初衷并非单纯追求构建参数规模更大的模型,而是致力于让这套兼顾效率与精度的高分辨率框架在青藏高原严苛的自然与算力条件下真正稳定运行,服务于高原地区的气候监测与防灾减灾需求。

田向军进一步指出,在气象科学的发展道路上,新兴的人工智能技术与历史沉淀深厚的传统数值预报体系之间绝非替代或对抗的竞争关系,两条技术路线完全可以通过机制创新携手向前、融合互补。在下一步的工作规划中,联合研究团队将全面打通多级递归演进流程,并在后续实验中系统测算并公布计算成本随预报层级递归变化的详尽实测数据,为科学界提供更具参考价值的工程基准。

与此同时,万拓并非一个封闭或单点的孤立框架。未来,研究团队将进一步扩大与国内相关软硬件机构的协同合作,全力推进“国产芯片+国产专业AI”的软硬件自主组合路线。团队计划将万拓进一步深化打造为面向青藏高原等国家重点关键区域的定制化“公里—分钟级”物理AI气象模拟器,在技术实现上深度兼顾“AI算法的轻量化高效部署”与“物理机理模型的严格精准性”,切实将高密度的本地气象观测数据转化为高可用性的本地预报精度,为防汛减灾、生态保护、重大工程调度以及各行各业的精细化气象保障赋能。

作者

编辑部 · 财经

✉ [email protected]