气象与地球科学：中期预报的革命
一句话结论：深度学习中期天气预报不是"更快的数值预报"，而是一条独立的技术路线——用海量再分析数据直接学习大气演化，把 10 天预报从"超算跑数小时"压缩到"单卡秒级"。GraphCast、盘古、FourCastNet 是三条代表性路线，工程落地时真正要解决的是数据规范、滚动推理与可解释性验证。
1. 中期预报问题：为什么值得用 AI 重做
数值天气预报（NWP）是地球上最大的科学计算负载之一：
- 成本：ECMWF 的 IFS 在百 PFlops 级超算上运行，10 天全球预报一次要跑数小时；
- 分辨率：0.25° 全球网格约 1440×721 格点 × 多变量多层，一次预报数据量数十 GB；
- 瓶颈：参数化方案（对流、辐射、云微物理）的近似误差 + 计算代价的指数增长。
AI 路线的目标不是取代 NWP，而是提供同精度下的毫秒级推理 + 更廉价的集合预报（用一次推理成本跑 50 个扰动成员，量化不确定性）。
2. GraphCast：图网络的等变消息传递
DeepMind 的 GraphCast 核心思想：把球面大气离散成多分辨率图，用图网络做等变消息传递。
- 网格：六边形多网格（0.25° 与 1° 两级），从细到粗逐级上采样聚合信息；
- 训练：用 ERA5 再分析数据，输入 10 天历史状态，预测未来 6 小时间隔的状态；
- 推理：自回归滚动——每步预测 6 小时后状态，把预测结果喂回模型继续推，滚动 40 步得到 10 天预报；
- 效果：在 90% 以上的变量上超过 ECMWF 的确定性高分辨率预报（IFS HRES），推理在单块 TPU/GPU 上秒级完成。
工程关键：滚动推理的误差累积是最大风险——单步误差小不代表 40 步后仍可用，必须监控每一步的漂移与能量谱退化。
3. 盘古：3D Earth-Specific Transformer
华为云盘古气象大模型的差异化设计：
- 3D Earth-Specific Transformer：把大气视为三维体数据（经纬度 × 高度 × 变量），在球面局部窗口内做注意力，避免平面 Transformer 在极区畸变；
- 层次时间聚合：用多个"时间聚合模块"并行预测 1、3、6、24 小时目标，再融合——比纯自回归滚动误差更低；
- 四维数据：输入含气压层多变量 + 地表变量，输出 10 天逐小时（或逐 3 小时）预报；
- 优势：中期预报精度领先，且推理延迟远低于 NWP。
工程要点：多时间目标并行预测的显存/计算成本高于单目标自回归，但换来更低的滚动误差——算力换精度，适合精度优先的生产场景。
4. FourCastNet：傅里叶神经算子与生成式预报
NVIDIA 的 FourCastNet 走神经算子路线：
- AFNO（自适应傅里叶神经算子）：在谱空间做全局卷积，天然捕捉大气的大尺度遥相关与多尺度结构；
- 训练：0.25° 全球 ERA5，输入 20 小时历史，预测未来 6 小时；
- 生成式扩展：引入扩散/生成式训练，产出集合预报——一次生成多个扰动成员，直接量化概率；
- 定位：速度极快、适合集合预报与超分辨率，绝对精度略逊于 GraphCast/盘古。
5. 三条路线对比与选型
| 维度 | GraphCast | 盘古 | FourCastNet |
|---|---|---|---|
| 核心架构 | 多分辨率图网络 | 3D 球面 Transformer | 傅里叶神经算子 |
| 推理方式 | 自回归滚动 | 多时间目标融合 | 单步 + 生成式集合 |
| 精度 | 全面领先 | 中期预报领先 | 中等 |
| 速度 | 秒级 | 秒级 | 最快，适合集合 |
| 适合场景 | 确定性预报基准 | 精度优先生产 | 集合预报/超分辨率 |
6. 工程落地清单
- 数据规范：ERA5 全量再分析数据达 PB 级，先按变量/时间切片做 TFRECORD/NetCDF 分片，再做全局归一化（用气候统计量，不用 batch 统计）；
- 滚动推理工程：自回归滚动是"循环调模型"，必须做状态管理（预测输出写回输入张量）与误差监控（逐变量 RMSE、能量谱）；
- 算力画像：训练在数百 GPU 上数周，推理单卡秒级——和 SFM 训练/推理的资源形态一致；
- 验证集要分"气候带"：全球平均指标会掩盖极区/热带偏差，按纬度带分组评估；
- 与 NWP 混用：AI 预报作为 NWP 的快速初筛/集合成员，极端天气事件（台风路径）必须回算传统模式校验。
判断标准：长期可验证性。AI 气象模型发布后必须持续回测真实观测（不只对比再分析数据），并按逐日滚动监控误差漂移——一个季度的独立验证，比任何发布时的精度表格都更有说服力。