气象科学大模型落地：从论文架构到业务化预报服务

实验目标

气象是 AI for Science 落地最早、最成熟的领域之一——全球中期预报、极端天气预警、气候模式都已有 AI 模型进入业务。对 HPC/AI 工程师而言，气象大模型是从"论文到业务"的完整样板：

• 这些模型（盘古气象、GraphCast、FourCastNet 等）架构上怎么用 AI 替代/辅助数值天气预报（NWP）？
• 业务化要解决什么工程问题（时效、ensemble、评估、与 NWP 的关系）？
• 从 14 章科学智能视角看，气象案例能抽象出什么可复用的 AI4S 落地模式？

说明：本篇为综述 + 架构解析路线，基于公开论文与公开报道，无第一手实验数据；模型版本与评估数字以公开发布信息为准，具体落地数据不编造。

第一段：为什么气象适合 AI 大模型——问题结构决定可行性

气象预报本质是确定性物理方程（大气动力学）的初值问题：给定当前大气状态（再分析数据），推演未来状态。AI 模型的核心洞察：用海量历史再分析数据学"状态演化的映射"，替代数值求解：

• 数据充足：全球再分析数据集（ERA5 等）积累数十年、按小时/按度格点化，天然适合监督学习；
• 问题结构清晰：输入是大气状态场（多变量 × 经纬度网格 × 垂直层），输出是若干小时后（或更长）的状态——标准的多变量时空序列预测；
• 目标明确：与 NWP 在同一套指标下比较（ACC、RMSE、极端事件命中率），AI 模型的胜负可量化。

与 NWP 的本质差异：NWP 求解物理方程（可解释、可外推、能量守恒），AI 模型学数据映射（推理快、内存占用小、但依赖训练数据分布、物理约束需额外注入）。

第二段：代表模型架构拆解

模型	架构核心	特点
FourCastNet	ViT + 自回归多步预测	早期代表性模型，证明"视觉模型能预报天气"
GraphCast	图神经网络（多面体网格）+ 自回归	网格无关的图结构，中期预报表现超越部分 NWP 基线
盘古气象（Pangu-Weather）	3D 深度网络 + 层级时空调度（四阶段预测）	首个"3 小时级 + 分级时距"方案，用预训练范式做预报
AI 混合/集成	AI 模型 + NWP 后处理	业务落地主流：AI 做快速初猜/修正，NWP 兜底

共性工程特征：

• 输入输出都是高维场：多变量 × 经纬网格 × 垂直层 → 数据规模大，训练依赖大规模 GPU（与 10/11 章预训练工程同套工具链）；
• 自回归推理链：逐步预测未来时刻，推理时延随预测步数线性增长 → 业务化要优化单步推理速度与长链稳定性（误差累积）；
• 评估在"业务指标"而非"论文指标"：论文用 ACC/RMSE 全球平均，业务看极端事件、区域、时效窗口——论文数字好 ≠ 业务可用。

第三段：业务化工程——从模型到预报服务

1. 时效与算力预算

• 预报服务有硬时效（如"10 分钟内出全球 10 天预报"），AI 模型推理快（相对 NWP 积分）是核心卖点，但推理成本随模型规模与时距线性涨；
• 部署形态：单卡/多卡推理 + 批处理（ensemble 多成员并行），对齐 12 章推理基准与容量规划方法——预报服务的"并发"是 ensemble 成员 × 区域分片。

2. Ensemble 与不确定性

• 业务预报需要不确定性估计（集合预报）：AI 模型常用扰动输入/多成员近似 ensemble；
• 工程点：ensemble 成员的调度（同 06 章资源编排）、结果聚合与可视化。

3. 与 NWP 的关系：不是替代而是协同

业务落地的主流不是"AI 全替代"，而是：

观测/再分析数据
   ├─ NWP 模式（物理完整、可外推）── 基准线 + 兜底
   └─ AI 模型（快、准、便宜）── 快速初猜 / 短临订正 / 后处理
   └─ 融合：AI 修正 NWP 偏差、AI 做 NWP 输出的统计后处理

• AI 模型快速给出初猜，再与 NWP 结果融合（如机器学习后处理订正）；
• 极端天气场景用 NWP 物理约束兜底，AI 负责高频更新与快速响应。

第四段：评估与上线——业务口径

评估维度	业务口径	工程含义
准确率	区域/极端事件命中率、分位数评分	训练与评测数据要按业务区域加权
时效	从数据就绪到预报产出耗时	推理管线与调度（12 章基准方法）
稳健性	长预报链误差累积、罕见天气外推	监控 + NWP 兜底切换
成本	GPU 摊销 + 推理吞吐	容量规划（12 章成本口径）

上线要点：灰度对比（AI vs NWP 同口径 A/B）→ 监控（预报漂移、数据源异常）→ 兜底（NWP 自动切换）——与 13 章 SRE 篇同套方法论，只是"服务负载"变成"预报任务"。

落地检查清单

• [ ] 模型选型与业务目标对齐（全球中期 vs 短临订正 vs 后处理）
• [ ] 数据管线就绪：再分析数据获取/预处理/归一化（10 章数据管线方法）
• [ ] 推理时效与算力预算核算，ensemble 调度方案明确
• [ ] 评估口径业务化（区域/极端事件/时效），灰度对比方案
• [ ] 监控与兜底：预报漂移监控 + NWP 自动切换
• [ ] 成本口径统一（GPU 摊销 + 吞吐拐点），支撑扩容决策

工程启示

• AI4S 落地的通用模式：气象案例抽象出"数据充足 → 问题结构化 → 指标可量化 → 与经典方法协同"的路径——14 章其他领域（材料、分子、能源）大多同构；
• 论文指标 ≠ 业务可用：从全球平均 ACC 到区域极端事件命中率，评估口径的转换是落地最大的一道坎；
• AI 不是替代经典方法，是放大经典方法：与 NWP 的协同（初猜、订正、后处理）比"全替代"更现实、更可靠。

下一篇预告：气象案例之后，AI4S 的落地模式渐成体系——下一篇将把 14 章科学智能的分散案例串成"从科学问题到可复现科研工具"的方法论框架，敬请期待。