气象对人类的生产生活有重大影响。全球变暖正在影响农作物的耕作范围和产量，部分作物种植面积更加北移，更高温度下耕作玉米产量更高；「巴山夜雨」背后是昼夜温度和湿度的共同作用独特现象；飞机出行中，如果能更加准确预报湍流，能降低人员伤亡和经济损失。本篇探讨下气象大模型的理解。
传统天气预报
几千年农业社会，古人总结出了二十四节气，不同节气的天气和农业行为不同。西方大航海时代，海上航行的顺利进行，倒逼天气预报科学的快速发展。
天气预报本质上是大气与海洋、陆地的相互作用下的运动，天气预报是将大气运动规律，抽象出满足空气动力学和热力学的偏微分方程组，并求解的过程。
对未来天气做预测依赖于当前时间天气状态的输入，这就依赖「初始场」。初始场本质上是通过各种利用观测数据和数据处理手段，模拟等效真实大气状态。因此需要对多源观测数据进行汇聚和处理，其中包含卫星、雷达、观测站、探空气球等，不同来源观测数据处理过程叫「同化」，目标是形成初始场给到偏微分方程求解得出天气预报。
在求解偏微分方程的过程中，天气系统存在多层次多尺度问题，有些物理过程限于当前科技水平并不明确（例如陆面湍流），会根据经验引入参数化方案近似求解。为了保证预报的鲁棒性，通常会在初始场叠加扰动，形成多个初始场和预报结果，最终综合各预报得出更加精准的天气预报，也即集合预报。
气象大模型
上一篇《AI 产品经理如何理解AI for Science？》，介绍了生成式AI技术最大特点是可以从海量数据中学习规律，并生成符合历史训练数据规律的数据，气象大模型也符合这样的应用，只是生成式AI应用的领域限于天气预报，而非自然语言。
利用过去几十年历史数据，采用生成式AI算法进行训练，得到气象大模型。气象大模型拥有AI模型的特征，能够将历史数据中常见的天气情况做到很好的拟合和平滑，有比较高的准确率。但对于小样本的极端天气，由于数据样本不足，需要特殊处理。
在一些数据指标和案例中，气象大模型相比传统气象预报明显准确率更高。底层的原理是，数据驱动的方法能够针对高维和非线性问题做到更好的拟合，而传统模式天气预报参数化过程依赖专家经验近似。
在天气预报计算过程中，传统模式天气预报需要超级计算机才能运算，对天气预报计算耗时和成本都比较高；而AI气象大模型主要的成本和时间都在训练阶段，一旦训练完成，气象大模型推理速度相当快，业内往往宣传在1w倍以上。
机理与AI融合
上篇讨论了AI4S在各行业和场景应用，天气预报也是典型的AI4S应用领域。天气预报问题可以抽象为两部分：有明确的物理约束关系，可以通过数学描述的部分Fa；目前物理约束关系不明确、无法用数学描述的部分、用参数化方法描述的Fb；天气预报F=Fa+Fb。
不难看出，参数化部分具有高维、非线性依赖人工经验的部分，天然是人力不可为，而AI非常擅长高维数据拟合的部分，因此从底层逻辑上讲，天气预报将全面进入机理+AI融合的发展阶段。
AI在天气预报中起作用的方式有两种：一种将AI作为传统模式预报的补充，将参数化部分进行AI建模和推理，弥补参数化本身不足；一种是替代偏微分方程整体，训练端到端的气象大模型，更为彻底的是将同化过程也通过AI更好实现。
当然AI本身也在朝着更加符合机理要求方向发展，在模型训练时，将数值模式约束加入损失函数训练，使得训练得到的模型天然符合物理约束要求。另外一种模式，是AI推理出的结果之后加一层数值模式约束。
