打破算力瓶颈!“万拓”用单张显卡实现全球7公里级天气模型细化

打破算力瓶颈!“万拓”用单张显卡实现全球7公里级天气模型细化

来源:中国日报网 2026-11-17 10:35
  • weixin
  • weibo
  • qqzone
分享到微信

中国日报11月17日电(记者 李梦涵)把全球天气模型的水平格距从0.7°压到0.07°,通常意味着算力需求翻上百倍。中国科学院青藏高原研究所田向军研究员换了个思路:不去重训一个更大的高分辨率模型,而是先定一个“起点”,再在它上面逐级“加层”。他们把这项技术命名为“万拓”(One2N)。

在一块80GB显存的显卡上、约四周时间,这套框架把已有的0.7°预报模型细化成了全球0.07°、每2小时更新一次的两级预报系统。11月16日,中国科学院青藏高原研究所发布万拓气象大模型。

这项工作由中国科学院青藏高原研究所田向军牵头,与北京信息科技大学、北京大学、中国科学院大气物理研究所、国防科技大学、山东省科学院等单位合作完成。

这件事的起点,要回到2021年的一次谈话。

一个2021年的判断

那年,田向军与荷兰代尔夫特理工大学教授林海翔聊起再分析数据。两人的判断是:对数值模式与观测数据的同化而言,大气再分析数据里应该“藏”着一个比数值模式更好的AI模式——完全可以用再分析数据去训练AI气象大模型。

判断有了,资源没有。相关工作当时没有启动。

后来,国内外数据驱动的大模型相继出现,把这个方向验证了一遍。虽然团队手上的算力很少,但他们没有放弃,一边争取资源,一边做论证,在算力受限的前提下,分辨率到底能不能提上去,靠什么提。田向军说,这一想,就是四五年。

分辨率这道坎,卡在“框架”上

天气和气候模式的分辨率,受制于一个简单的算术题:格距减半,格点数翻四倍。格距从 0.7°到0.07°,是10倍的提升,格点数则是100倍。对流风暴、地形降水这些最需要精细刻画的过程,也因此长期停在参数化里。

现有做法大致三条。一是靠超算硬推,把全球模式直接推到公里级,代价是需要消耗巨大的计算运行时间,难以日常化;二是数据驱动的大模型,推理只要秒级,但输出分辨率多停在 0.25°、时间步长为6小时这一档;三是把已有模型再训练一遍,把分辨率“练”出来。

第三条路最常用,也最贵:每换一次分辨率,整套模型都得从头再训练一遍。“而我们的高分辨率建模思路,其实很像画素描——先勾出总体轮廓,再逐层加深细节。”田向军说。可现有的训练框架不允许这样画:模型必须一次性建到目标分辨率,中间的成果既存不下来,也无法复用——这正是第三条路昂贵的根源。

冻住父模型,只学残差

万拓的写法很朴素,第0级的起点是一个冻结的父模型,第1级的预报器,等于上一级的预报器加上一个该级特有的增量算子。

起点有两种:把现成的预报系统原样拿来当父模型,权重一行都不改;或者自己训一个极粗分辨率的基线,训练又快又容易做准,代价很低。在两种起点之上,再逐级“加层”。

真正起作用的是训练时的三个约束。父模型参数冻结,梯度不穿过父模型,只训练新增的残差模块。三者结合,使训练时无需为父模型保留用于反向传播的内部激活和参数梯度,也无需维护其优化器状态,从而避免训练时这部分额外显存开销。

父模型与子模型之间仅通过“状态接口”交互:父模型的预报被映射到更细网格,叠加所学残差后,即可重构出高分辨率状态。这意味着父模型可以是数值模式,也可以是数据驱动模型,或是两者的混合。

这一机制与渐进式增长、多网格训练,以及多模型级联等方法存在本质区别。后者要么需联合优化,要么梯度跨级传递,要么改动父模型权重。而万拓的父模型全程不动、不求导、不重训。“我们最想确认的不是能不能更准,而是在完全不动父模型的前提下,分辨率能不能真的提上去。”联合通讯作者、北京信息科技大学王灿副教授说。

预报精度提升,台风路径误差降低

基于2023年120组配对起报开展10天全球预报评估结果显示,万拓提升分辨率的同时未损失预报技巧,代表性对流层诊断量与父模型大体相当。

更意外的是,相较父模型,在1—7hPa的平流层上层,位势均方根误差在12—240小时的平均相对降幅为91.10%—92.12%,1hPa温度的相应降幅为59.14%,且从12小时一直维持到240小时。团队判断,残差模块成功校正了父模型在该层次的系统性偏差。

与0.25°数据驱动预报模型Pangu-Weather的对比显示,在1300个检验目标中,万拓有 93.46% 的均方根误差更低。

在台风预报方面,对2023年84个热带气旋的检验显示,相较Pangu-Weather,万拓的中位路径误差在24—168小时降低16.5%—66.9%;168小时的中位误差由1024.8公里降到339.4公里。

重塑地球系统模式演进逻辑

如果把万拓只当成一个“把天气预报做细”的技巧,就低估了它。这套框架真正的价值是把“已有的能力”和“新增的能力”分开。地球系统模式由大气、海洋、陆面、冰冻圈、大气化学、碳循环等分量组成,每一轮升级都要面对同一个麻烦——改一个分量,整套模式往往要重新调参、重新耦合、重新验证。沿用“冻结+增量”的思路,任何一个分量都可以在保持原有行为的前提下被细化或替换,其他分量不必推倒重来。

对地球系统模式的构建来说,这意味着模式不再是“一次建成”的整体,而是由若干可以独立演进的分量,通过状态接口拼接而成,大幅降低了系统升级的门槛与成本。

“粗”不是AI的天性

有一种说法是,AI气象模型时间步长粗、空间分辨率粗、要素少。

田向军认为,粗糙不是AI的天性,而是当前训练范式的产物。万拓把“重训整个模型”换成“冻结已有模型、只学增量”,高分辨率训练的成本不再随父模型规模膨胀,成功将分辨率从0.7°推到0.07°。田向军表示,AI与传统数值预报不该是竞争关系,两条路线可以携手向前。接下来,团队将把多级递归流程跑通,并给出成本随层级变化的实测数据。

高原上的“公里—分钟级”物理AI模拟器

万拓不是一个孤立的框架。田向军团队长期从事数据同化的研究与应用,自主研发了国际先进的非线性最小二乘四维变分同化方法(NLS-4DVar),并构建了区域与全球的数据同化系统。

按团队的设想,下一步是将万拓打造为面向青藏高原等目标区域的定制化“公里—分钟级”物理AI气象模拟器,兼顾“AI的轻量化部署”与“物理模型的精准性”,将本地观测变成本地精度,赋能千行百业。

“我们的目标不是再做一个更大的模型,而是让这套框架在高原上真正跑起来。”该研究联合第一作者、中国科学院青藏高原研究所博士生谈艳艳说。

这条路能否走通,还取决于底层的算力与芯片。团队表示,地球系统模式大装置在网络构建过程中给予了大力支持。同时,海光信息CPU与DCU已应用于团队相关科研计算,通过CPU与DCU异构协同,为复杂地球系统计算提供算力支撑,并借助DCU的高精度计算能力满足科研模拟对计算精度的要求。未来,团队将与海光信息合作,推进“国产芯片+国产专业AI”的自主组合。

从2021年的一次谈话,到一块显卡上的7公里,再到高原上的分钟级,每一步都不是在资源充裕时走出来的,而是在资源约束里挤出来的。它最终想解决的,也不只是把天气做细,而是让地球系统模式的每一次升级,既不必从头再来,也有底气从头再来。

【责任编辑:高琳琳】
中国日报网版权说明:凡注明来源为“中国日报网:XXX(署名)”,除与中国日报网签署内容授权协议的网站外,其他任何网站或单位未经允许禁止转载、使用,违者必究。如需使用,请与010-84883777联系;凡本网注明“来源:XXX(非中国日报网)”的作品,均转载自其它媒体,目的在于传播更多信息,其他媒体如需转载,请与稿件来源方联系,如产生任何问题与本网无关。
版权保护:本网登载的内容(包括文字、图片、多媒体资讯等)版权属中国日报网(中报国际文化传媒(北京)有限公司)独家所有使用。 未经中国日报网事先协议授权,禁止转载使用。给中国日报网提意见:rx@chinadaily.com.cn
C财经客户端 扫码下载
Chinadaily-cn 中文网微信
×