近年來，隨著OpenAI等頭部AI大模型企業(yè)的快速發(fā)展及全球算力的大幅提升，AI大模型技術(shù)已廣泛應(yīng)用各個(gè)領(lǐng)域，并從辦公、零售、客服、金融、營銷等基礎(chǔ)領(lǐng)域進(jìn)一步向?qū)嶓w經(jīng)濟(jì)場景不斷拓展。如智能家居、智能交通、智慧城市、工業(yè)制造、智慧醫(yī)療等行業(yè)，AI大模型可以為用戶提供智能交通調(diào)度、智慧醫(yī)療診斷、智能排產(chǎn)、智慧電網(wǎng)等更加深度的行業(yè)解決方案，從更底層的服務(wù)與基礎(chǔ)設(shè)施層面賦能社會(huì)經(jīng)濟(jì)發(fā)展。與此同時(shí)，在傳統(tǒng)的巨災(zāi)風(fēng)險(xiǎn)預(yù)測預(yù)報(bào)場景中，如極端天氣預(yù)報(bào)、洪水預(yù)測、臺風(fēng)路徑預(yù)測等領(lǐng)域，仍在大量應(yīng)用各類基于物理規(guī)則的數(shù)值模型，基于CPU的串行計(jì)算邏輯消耗了大量的計(jì)算資源，預(yù)測能力也存在明顯瓶頸。
在這樣的背景之下，部分企業(yè)、高校、科研機(jī)構(gòu)等開始嘗試將AI大模型技術(shù)應(yīng)用于巨災(zāi)風(fēng)險(xiǎn)的預(yù)測、預(yù)警及評估之中，特別是在天氣及氣象的預(yù)報(bào)預(yù)測等領(lǐng)域中，涌現(xiàn)出了一大批具有良好應(yīng)用效果的模型，如華為Panggu模型、Google DeepMind的DGMR模型、中國氣象局與清華大學(xué)聯(lián)合研發(fā)的NowCastNet模型、中國氣象局風(fēng)清、風(fēng)雷、風(fēng)順模型、復(fù)旦大學(xué)Fengwu模型、ECMWF的AIFS模型、Google的NeuralGCM模型等等，這些模型總體上達(dá)到甚至超越了傳統(tǒng)數(shù)值模型的預(yù)測效果，同時(shí)，由于其基于GPU的并行計(jì)算架構(gòu)，預(yù)測所消耗的資源僅為傳統(tǒng)數(shù)值模型的成千上萬分之一；此外，在洪水預(yù)測、地震波監(jiān)測等領(lǐng)域，國內(nèi)國外相關(guān)企業(yè)與機(jī)構(gòu)也相繼發(fā)布了專有的AI大模型，取得了較好的效果。本文以氣象領(lǐng)域AI大模型的主要應(yīng)用為例，分析AI大模型在巨災(zāi)風(fēng)險(xiǎn)預(yù)測中的應(yīng)用及發(fā)展趨勢。
一、AI大模型進(jìn)步迅速，能力已接近人類
當(dāng)前，隨著AI大模型參數(shù)規(guī)模的不斷增長、算法的不斷改進(jìn)、算力的不斷增強(qiáng)，AI大模型已具備強(qiáng)大的自然語言處理、圖像/視頻處理、語音識別能力，最新AI大模型已擁有類似于人類的深度思考能力，并在物理、化學(xué)、數(shù)學(xué)等眾多領(lǐng)域媲美甚至超越人類博士生水平。
在由真實(shí)世界軟件任務(wù)組成的SWE-Bench Verified基準(zhǔn)測試中，OpenAI o3模型的準(zhǔn)確率為71.7%，這意味著它已經(jīng)能夠理解、設(shè)計(jì)和實(shí)現(xiàn)復(fù)雜的軟件系統(tǒng)。在全球知名編程競賽Codeforces中，o3可以達(dá)到2727的分?jǐn)?shù)，超越99.99%的人類水平。
在數(shù)學(xué)競賽AIEM 2024中，o3準(zhǔn)確率達(dá)到96.7%。GPQA Diamond（博士級科學(xué)考試）是生物學(xué)、物理學(xué)和化學(xué)領(lǐng)域?qū)＜揖帉懙母唠y度多項(xiàng)選擇題數(shù)據(jù)集，主要評估人工智能系統(tǒng)在復(fù)雜問題上的表現(xiàn)。 而這些領(lǐng)域的博士專家，大約也只能達(dá)到專業(yè)范圍內(nèi)的70%準(zhǔn)確率，o3拿到了87.7%的鉆石級成績，其表現(xiàn)遠(yuǎn)高于人類專家的表現(xiàn)。有觀點(diǎn)認(rèn)為，隨著AI大模型能力的不斷提升，通往通用人工智能（AGI）之路已無技術(shù)障礙。
與此同時(shí)，AI大模型在各行各業(yè)的應(yīng)用與滲透也在快速進(jìn)展中，其中，辦公、零售、科研、醫(yī)療、工業(yè)制造、金融、氣象等行業(yè)已對AI大模型進(jìn)行了廣泛而深入的探索，取得了良好的效果，根據(jù)部分研究機(jī)構(gòu)的判斷，AI大模型有望在未來3-5年內(nèi)在主要行業(yè)內(nèi)取得良好的成熟度與市場變現(xiàn)能力。
在不斷拓展行業(yè)應(yīng)用的同時(shí)，AI大模型的落地場景也正從淺層次的客服對話、文本生成等向供應(yīng)鏈管理、醫(yī)療、質(zhì)檢等核心業(yè)務(wù)環(huán)節(jié)滲透，AI大模型有望成為新型生產(chǎn)力基礎(chǔ)設(shè)施，賦能千行百業(yè)。
二、AI大模型在氣象領(lǐng)域的應(yīng)用
短期天氣的預(yù)報(bào)和中長期氣候變化的預(yù)測，是巨災(zāi)風(fēng)險(xiǎn)管理中的重要領(lǐng)域，包括對臺風(fēng)路徑、極端降水、短時(shí)大風(fēng)、極端高溫、氣溫變化等的預(yù)測，這些預(yù)測預(yù)報(bào)對保險(xiǎn)企業(yè)及客戶做好風(fēng)險(xiǎn)管理及應(yīng)對有著重大的現(xiàn)實(shí)意義。
（一）傳統(tǒng)的數(shù)值天氣預(yù)報(bào)
數(shù)值天氣預(yù)報(bào)（Numerical Weather Prediction，NWP）是氣象預(yù)報(bào)的制作不可缺少的重要基礎(chǔ)和手段，其基于大氣科學(xué)理論，以大氣運(yùn)動(dòng)方程組為基礎(chǔ)，利用超級計(jì)算機(jī)對大氣狀態(tài)進(jìn)行數(shù)值模擬，通過給定初始條件和邊界條件，計(jì)算出未來不同時(shí)刻的氣象要素值，如溫度、濕度、氣壓、風(fēng)速等。
1950 年，普森林頓大學(xué)首次嘗試使用第一臺電子計(jì)算機(jī)進(jìn)行了天氣預(yù)報(bào)。1954 年，在斯德哥爾摩首次實(shí)現(xiàn)了實(shí)時(shí)的天氣預(yù)報(bào)。數(shù)值預(yù)報(bào)需要基于天氣初始場，利用大氣運(yùn)動(dòng)方程的近似表示進(jìn)行數(shù)量龐大的計(jì)算。以歐洲中期天氣預(yù)報(bào)中心（ECMWF）的預(yù)報(bào)為例，0.125°*0.125°（間距約15公里）分辨率，垂直方向從地面到中間層（地面以上約80公里）劃分為91層，使用數(shù)小時(shí)到數(shù)天的時(shí)間窗，每一個(gè)水平層有200萬個(gè)個(gè)點(diǎn)，以10分鐘為步長進(jìn)行10天的預(yù)報(bào)，相應(yīng)的集合預(yù)報(bào)中有50個(gè)集合成員，每天大約需要有400多億個(gè)格點(diǎn)柱的運(yùn)算需要計(jì)算。
目前，傳統(tǒng)的數(shù)值天氣預(yù)報(bào)（NWP）已具有非常好的短期預(yù)報(bào)準(zhǔn)確率，但其本質(zhì)上還是讓超級計(jì)算機(jī)去求解非常復(fù)雜的方程組來模擬大氣運(yùn)動(dòng)，從而預(yù)測未來一定時(shí)間內(nèi)的大氣運(yùn)動(dòng)狀態(tài)和天氣氣象，并在其基礎(chǔ)上進(jìn)行人工經(jīng)驗(yàn)的修正，這種模式仍然存在一定的局限性和面臨諸多挑戰(zhàn)：一是初始場對預(yù)測準(zhǔn)確性影響大，在NWP方式中，初始場非常重要，要將非常精確的實(shí)時(shí)天氣初始值輸入到超級計(jì)算機(jī)中，但由于觀測數(shù)據(jù)的時(shí)空分辨率仍然有限，在一些偏遠(yuǎn)地區(qū)和海洋區(qū)域，觀測站點(diǎn)稀疏，數(shù)據(jù)獲取困難，這也影響了預(yù)報(bào)的準(zhǔn)確性；二是多因素相互作用影響復(fù)雜，在現(xiàn)實(shí)中，大氣環(huán)境是一個(gè)高度復(fù)雜的非線性系統(tǒng)，其變化受到多種因素的影響，產(chǎn)生一系列連鎖反應(yīng)，如太陽輻射、地球自轉(zhuǎn)、海陸分布、地形地貌等，這些因素的相互作用使得氣象現(xiàn)象具有很強(qiáng)的不確定性，難以完全準(zhǔn)確地預(yù)測；三是傳統(tǒng)數(shù)值預(yù)報(bào)的成本非常高。全球超過 180 個(gè)氣象建模中心采用強(qiáng)大的高性能計(jì)算（HPC）基礎(chǔ)設(shè)施來運(yùn)行傳統(tǒng)的數(shù)值天氣預(yù)報(bào)（NWP）模型，其中包括歐洲中期天氣預(yù)報(bào)中心（ECMWF），該中心運(yùn)行在983,040個(gè)CPU核心上，以及英國氣象局的超級計(jì)算機(jī)，該計(jì)算機(jī)采用超過150萬個(gè)CPU核心，耗電量為2.7兆瓦特。數(shù)值預(yù)報(bào)每次預(yù)報(bào)所耗費(fèi)的時(shí)間較長，難以高頻率地進(jìn)行預(yù)測，特別是如果要將分辨率提高，計(jì)算時(shí)間可能要顯著翻倍。
（二）AI大模型在氣象領(lǐng)域的探索
在天氣預(yù)報(bào)及氣象預(yù)測領(lǐng)域，根據(jù)預(yù)報(bào)/預(yù)測周期的長短，可劃分為短臨氣預(yù)報(bào)、中期天氣預(yù)報(bào)及次季節(jié)/季節(jié)尺度預(yù)測幾類，不同時(shí)間周期的AI大模型具有不同的預(yù)報(bào)/預(yù)測顆粒度，能夠幫助保險(xiǎn)公司及承保標(biāo)的做好風(fēng)險(xiǎn)定價(jià)、風(fēng)險(xiǎn)預(yù)警、風(fēng)險(xiǎn)防范、風(fēng)險(xiǎn)處置等工作。針對傳統(tǒng)數(shù)值模型存在的預(yù)測成本高、計(jì)算復(fù)雜等問題，AI大模型在不同的時(shí)間尺度上均進(jìn)行了嘗試和探索，取得了良好的效果，部分模型已在氣象部門開展業(yè)務(wù)化運(yùn)行，為氣象部門做好相關(guān)工作提供了有價(jià)值的參考。
短臨天氣預(yù)報(bào)AI大模型
0～2小時(shí)的預(yù)報(bào)稱為臨近預(yù)報(bào)，2~12小時(shí)的預(yù)報(bào)稱為短時(shí)預(yù)報(bào)，短臨天氣預(yù)報(bào)主要聚焦在未來數(shù)小時(shí)內(nèi)局部區(qū)域的降水、暴風(fēng)等的預(yù)測，可以用于巨災(zāi)風(fēng)險(xiǎn)過程中的風(fēng)險(xiǎn)預(yù)警與防災(zāi)減災(zāi)，傳統(tǒng)NWP數(shù)值天氣預(yù)報(bào)在2小時(shí)內(nèi)的天氣預(yù)報(bào)準(zhǔn)確率會(huì)顯著下降。Google DeepMind等商業(yè)公司和牛津大學(xué)、清華大學(xué)、中山大學(xué)等國內(nèi)外高校近年來將人工智能技術(shù)應(yīng)用于短臨降水預(yù)報(bào)中，取得了良好的效果，成為短臨降水預(yù)報(bào)的有效補(bǔ)充手段。
目前，常見的短臨天氣預(yù)報(bào)AI大模型主要用于對短期內(nèi)的降水情況進(jìn)行預(yù)報(bào)，基于歷史雷達(dá)觀測數(shù)據(jù)進(jìn)行訓(xùn)練，分辨率一般較高，空間分辨率可達(dá)到1km*1km，時(shí)間分辨率可以達(dá)到2-6分鐘；在核心算法方面，短臨天氣預(yù)報(bào)AI大模型大多采用U-Net，另有部分模型采用類似生成式對抗網(wǎng)絡(luò)GAN及Transformer的算法。同時(shí)，在短臨天氣預(yù)報(bào)領(lǐng)域，越來越多的模型將數(shù)據(jù)驅(qū)動(dòng)與物理規(guī)律相結(jié)合，以求取得更好的預(yù)測結(jié)果。
以NowCastNet模型為例，2023年，清華大學(xué)軟件學(xué)院與國家氣象中心、國家氣象信息中心提出NowcastNet極端降水臨近預(yù)報(bào)大模型，并已在國家氣象中心短臨預(yù)報(bào)業(yè)務(wù)平臺（SWAN 3.0）部署上線，將為全國極端降水天氣短臨預(yù)報(bào)業(yè)務(wù)提供支撐。NowCastNet使用了來自美國MRMS數(shù)據(jù)2016年至2021年6年范圍內(nèi)空間網(wǎng)格分辨率0.01、時(shí)間分辨率為10分鐘的雷達(dá)觀測資料完成了模型的預(yù)訓(xùn)練，并在中國雷達(dá)數(shù)據(jù)（2019.9.1-2021.3.31）上進(jìn)行微調(diào)訓(xùn)練，并在2021.4.1-6.30數(shù)據(jù)上進(jìn)行測試。
對比同為生成模型的DGMR，以及PredRNN、PySTEPS等方法，評價(jià)指標(biāo)采用CSI和PSD，該方法大幅領(lǐng)先國際上的同類方法，在71%的案例中排名第一，研究成果已在Nature發(fā)表。
NowcastNet模型是一個(gè)基于物理?xiàng)l件的深度生成模型，包括一個(gè)隨機(jī)生成網(wǎng)絡(luò)和一個(gè)確定性演變網(wǎng)絡(luò)，其核心是端到端建模降水物理過程的神經(jīng)演變算子，將物理演變與條件學(xué)習(xí)相結(jié)合，通過神經(jīng)網(wǎng)絡(luò)進(jìn)行端到端的學(xué)習(xí)，以最優(yōu)化預(yù)測誤差，從而提高對極端降水的預(yù)測性能，NowCastNet首次將降水臨近預(yù)報(bào)時(shí)效延長到了3小時(shí)，可以在2048km*2048km的區(qū)域產(chǎn)生高分辨率的預(yù)報(bào)。
2021年5月14日23時(shí)40分，中國江淮地區(qū)出現(xiàn)強(qiáng)降水過程，湖北、安徽等多個(gè)地區(qū)發(fā)布了暴雨紅色預(yù)警，NowcastNet可以準(zhǔn)確預(yù)測出三個(gè)強(qiáng)降水超級單體的變化過程。
2021年12月11日9時(shí)30分，美國中部地區(qū)突發(fā)龍卷風(fēng)災(zāi)害，造成89人死亡、676人受傷，NowcastNet可以對強(qiáng)降水的強(qiáng)度、落區(qū)和運(yùn)動(dòng)形態(tài)等給出更清晰、更準(zhǔn)確的預(yù)報(bào)結(jié)果。
中期天氣預(yù)報(bào)AI大模型
中期天氣預(yù)報(bào)是對未來于4至10天內(nèi)天氣變化趨勢的預(yù)報(bào)。傳統(tǒng)的中期天氣預(yù)報(bào)一般是基于數(shù)值預(yù)報(bào)（NWP）方式開展的，歐洲中期天氣預(yù)報(bào)中心（ECMWF）、中國氣象局（CMA）、全球預(yù)報(bào)系統(tǒng)（GFS）等均發(fā)布了自己的中期天氣預(yù)報(bào)產(chǎn)品。近年來，中期天氣預(yù)報(bào)AI大模型大量涌現(xiàn)，常見的模型包括谷歌DeepMind的GraphCast、華為云的Pangu-Weather（盤古）、阿里巴巴的SwinVRNN、復(fù)旦大學(xué)開發(fā)的Fuxi（伏羲）、上海人工智能實(shí)驗(yàn)室的Fengwu（風(fēng)烏）、英偉達(dá)Nvidia的FourCastNet，以及歐洲中期天氣預(yù)報(bào)中心（ECMWF）的AIFS模型等，這些模型利用最新的人工智能和機(jī)器學(xué)習(xí)技術(shù)，顯著提升了中期天氣預(yù)報(bào)的準(zhǔn)確性和細(xì)節(jié)層面的分析能力。
數(shù)據(jù)驅(qū)動(dòng)的基于AI大模型的中期天氣預(yù)報(bào)是研究非常活躍的應(yīng)用領(lǐng)域，自2018年以來，眾多研究機(jī)構(gòu)、企業(yè)基于不同的AI大模型，推出了自己的天氣預(yù)報(bào)模型，已實(shí)現(xiàn)了與傳統(tǒng)數(shù)值預(yù)報(bào)相當(dāng)甚至更好的預(yù)報(bào)準(zhǔn)確率與分辨率。
目前，常見的中期AI天氣預(yù)報(bào)主要用于對5個(gè)地表變量+5個(gè)大氣變量進(jìn)行預(yù)報(bào)，空間分辨率一般為0.25*0.25，部分可以達(dá)到0.09*0.09，時(shí)間分辨率方面一般為6小時(shí)；大多數(shù)采用數(shù)據(jù)驅(qū)動(dòng)作為模型內(nèi)核，少數(shù)模型開始探索將數(shù)據(jù)驅(qū)動(dòng)與物理規(guī)則相結(jié)合；在核心算法方面，不同改進(jìn)形式的Transformer是主流，少數(shù)采用GNN作為核心算法，訓(xùn)練數(shù)據(jù)方面，大多采用ERA5再分析數(shù)據(jù)，少數(shù)國產(chǎn)模型采用國產(chǎn)CRA-40再分析數(shù)據(jù)，另有部分模型開始探索使用直接觀測數(shù)據(jù)進(jìn)行訓(xùn)練。
以華為推出的盤古氣象大模型為例，盤古氣象大模型是由華為于2023年提出的一種新的高分辨率全球AI氣象預(yù)報(bào)系統(tǒng)，盤古氣象大模型借助創(chuàng)新的3DEST（3D Earth-Specific Transformer）網(wǎng)絡(luò)結(jié)構(gòu)，精準(zhǔn)獲取了地球上每一個(gè)經(jīng)緯度的氣象天氣要素，共訓(xùn)練了4個(gè)模型，分別為1小時(shí)間隔、3小時(shí)間隔、6小時(shí)間隔、24小時(shí)間隔模型。為訓(xùn)練每個(gè)模型，研究者使用1979-2017年的ERA5氣象再分析數(shù)據(jù)進(jìn)行了訓(xùn)練，模型共有6400萬個(gè)參數(shù)量。
盤古氣象大模型是首個(gè)精度超過傳統(tǒng)數(shù)值預(yù)報(bào)方法的AI方法，相關(guān)研究論文于2023年7月6日登上《Nature》，目前，華為盤古氣象大模型已實(shí)現(xiàn)在歐洲中期天氣預(yù)報(bào)中心（ECMWF）實(shí)現(xiàn)業(yè)務(wù)運(yùn)行。盤古氣象大模型1小時(shí)-7天預(yù)測精度均高于傳統(tǒng)數(shù)值方法（即歐洲氣象中心的operational IFS），同時(shí)，在單個(gè)V100 GPU上，僅用1.4秒即可完成對全球的24小時(shí)天氣預(yù)報(bào)，包括位勢、濕度、風(fēng)速、溫度、海平面氣壓等，預(yù)測速度提升10000倍。
盤古氣象大模型的水平空間分辨率達(dá)到0.25°×0.25° ，時(shí)間分辨率為1小時(shí)，覆蓋13層垂直高度，可以精準(zhǔn)地預(yù)測細(xì)粒度氣象特征，并且保留了大量細(xì)節(jié)幫助人們進(jìn)一步了解極端天氣。作為基礎(chǔ)模型，盤古氣象大模型還能夠直接應(yīng)用于多個(gè)下游場景。
在對 ERA5 再分析數(shù)據(jù)的確定性預(yù)測中，Pangu-Weather 在所有測試變量上均表現(xiàn)出色。相比世界上最好的數(shù)值天氣預(yù)報(bào)系統(tǒng) ECMWF 的業(yè)務(wù)集成預(yù)報(bào)系統(tǒng)（IFS）和 FourCastNet，Pangu-Weather 的均方根誤差（RMSE）更低，異常相關(guān)系數(shù)（ACC）更高。例如，在 5 天的 Z500（500 hPa 位勢高度）預(yù)報(bào)中，Pangu-Weather 的 RMSE 為 296.7，低于 IFS 的 333.7 和 FourCastNet 的 462.5。
在追蹤熱帶氣旋等極端天氣事件方面表現(xiàn)優(yōu)秀，通過尋找海平面氣壓（MSLP）的局部最小值，算法在追蹤 2018 年的 88 個(gè)命名熱帶氣旋時(shí)達(dá)到了較高的精度。
中期天氣預(yù)報(bào)是當(dāng)前氣象領(lǐng)域AI大模型應(yīng)用研究最為活躍，也是各類AI大模型最多的領(lǐng)域，Google Research的Weather Bench2項(xiàng)目，對主要的中期天氣預(yù)報(bào)產(chǎn)品進(jìn)行了評測對比，從地表數(shù)據(jù)、高空數(shù)據(jù)兩個(gè)方面，對市場上主流模型的預(yù)測能力進(jìn)行了評測對比，從評測結(jié)果可以看到，AI大模型預(yù)測能力已達(dá)到甚至超越傳統(tǒng)數(shù)值模型。
次季節(jié)/季節(jié)氣象預(yù)測AI大模型
次季節(jié)-季節(jié)尺度（Sub-seasonal to Seasonal, S2S）預(yù)測是指對未來兩周到兩個(gè)月（即15到60天）內(nèi)的天氣和氣候進(jìn)行預(yù)測。這種預(yù)測介于常規(guī)的天氣預(yù)報(bào)和季節(jié)預(yù)測之間，能夠提供更長時(shí)間尺度的天氣變化信息氣象預(yù)報(bào)，S2S預(yù)測面臨很多技術(shù)難題，簡單的沿著天氣預(yù)報(bào)大模型的思路延長預(yù)報(bào)時(shí)長，并不能帶來超過傳統(tǒng)數(shù)值預(yù)報(bào)模式的技巧提升。
2013年WMO聯(lián)合世界天氣研究計(jì)劃和世界氣候研究計(jì)劃聯(lián)合發(fā)起季節(jié)內(nèi)到季節(jié)尺度預(yù)測計(jì)劃(S2S)，目的是在中期天氣預(yù)報(bào)（兩周）和氣候預(yù)測（季度）之間架起一座橋梁，實(shí)現(xiàn)天氣氣候一體化的無縫隙預(yù)報(bào)。S2S也是我國防災(zāi)減災(zāi)和氣象服務(wù)的一個(gè)重大的需求。
常見的次季節(jié)-季節(jié)尺度氣象AI預(yù)測模型主要有微軟的DLWP、谷歌的NeauralGCM和清華大學(xué)與中國氣象局聯(lián)合研發(fā)的風(fēng)順大模型等。
目前，常見的次季節(jié)-季節(jié)氣象預(yù)測AI大模型一般預(yù)測從數(shù)周到數(shù)月的氣象狀況，部分模型開始探索將數(shù)據(jù)驅(qū)動(dòng)與物理規(guī)則相結(jié)合；訓(xùn)練數(shù)據(jù)方面，大多采用ERA5再分析數(shù)據(jù)，少數(shù)國產(chǎn)模型采用國產(chǎn)CRA-40再分析數(shù)據(jù)。
以Google發(fā)布的次季節(jié)/季節(jié)尺度氣象預(yù)測AI大模型NeuralGCM為例，NeuralGCM是Google于2024年提出的一種新的將物理建模與人工智能相結(jié)合的大氣環(huán)流模型，其能夠快速、準(zhǔn)確地模擬地球大氣，在模擬效率方面，比傳統(tǒng)模型高出10萬倍。這個(gè)模型結(jié)合了機(jī)器學(xué)習(xí)和物理方法，能進(jìn)行中短期的天氣預(yù)報(bào)以及幾十年的氣候模擬。
對于2-15天的天氣預(yù)報(bào)，NeuralGCM比最先進(jìn)的物理模型更加準(zhǔn)確；對于氣候尺度的預(yù)測方面，NeuralGCM也優(yōu)于最先進(jìn)的大氣模型，在對1980-2020年間全球氣溫預(yù)測中，NeuralGCM的2.8確定性模型的平均誤差是大氣模型（AIMP）誤差的1/3。在2020年的氣候模擬期間，NeuralGCM還成功預(yù)測了熱帶氣旋模式，這些模式與當(dāng)年在相同區(qū)域觀察到的風(fēng)暴數(shù)量和強(qiáng)度相匹配，NeuralGCM是第一個(gè)能夠生成此類模式的基于機(jī)器學(xué)習(xí)的模型。
相比于高分辨率的大氣模型X-SHiELD，NeuralGCM的1.4°確定性模型在預(yù)測2020年的濕度和溫度數(shù)據(jù)時(shí)誤差減少了15-50%，同時(shí)，其1.4°模型比X-SHiELD快3500多倍，這意味著如果研究人員用X-SHiELD模擬一年的大氣，需要20天，而用NeuralGCM只需8分鐘。總體而言，使用NeuralGCM進(jìn)行氣候模擬的計(jì)算成本比X-SHiELD低10萬倍。
三、AI大模型在巨災(zāi)風(fēng)險(xiǎn)模型中的應(yīng)用趨勢
當(dāng)前，AI大模型在巨災(zāi)風(fēng)險(xiǎn)模型中已得到了廣泛的應(yīng)用，特別是在氣象領(lǐng)域，涌現(xiàn)出了一大批優(yōu)秀的模型及研究成果。以氣象領(lǐng)域?yàn)槔矗珹I大模型在巨災(zāi)風(fēng)險(xiǎn)模型中的應(yīng)用呈現(xiàn)出以下的趨勢：
（一）廣泛業(yè)務(wù)化運(yùn)行。中國氣象局推出的覆蓋短臨期、中期、次季節(jié)/季節(jié)尺度的天氣預(yù)報(bào)、氣象預(yù)測AI大模型風(fēng)雷、風(fēng)清、風(fēng)順，已于2024年陸續(xù)上線業(yè)務(wù)化運(yùn)行，ECMWF（歐洲中期天氣預(yù)報(bào)中心）推出的AI天氣預(yù)報(bào)模型AIFS的首個(gè)業(yè)務(wù)化運(yùn)行版本AIFS Single v1.0正式投入運(yùn)行，與傳統(tǒng)的基于物理過程的集成預(yù)報(bào)系統(tǒng)（IFS）并行運(yùn)行。AIFS Single每天與ECMWF基于物理的數(shù)值天氣預(yù)報(bào) (NWP) 模型并行運(yùn)行四次，預(yù)報(bào)結(jié)果通過ECMWF的開放數(shù)據(jù)平臺向公眾開放。
（二）AI大模型與數(shù)值模型雙向融合。部分?jǐn)?shù)據(jù)驅(qū)動(dòng)的天氣預(yù)報(bào)AI大模型已開始向模型中引入物理約束，并取得了良好的效果，如NowCastNet、風(fēng)清、風(fēng)雷、風(fēng)順、NeuralGCM等；與此同時(shí)，部分?jǐn)?shù)值氣象預(yù)報(bào)模型也開始將AI大模型的一些算法加入到計(jì)算過程中以加速計(jì)算過程。數(shù)據(jù)驅(qū)動(dòng)的AI大模型與傳統(tǒng)數(shù)值模型之間有逐步走向融合的趨勢。
（三）對再分析數(shù)據(jù)的依賴逐步降低。當(dāng)前，主流的中期天氣預(yù)報(bào)AI大模型的訓(xùn)練及推理數(shù)據(jù)基礎(chǔ)主要依賴于經(jīng)過同化的各類再分析數(shù)據(jù)，如ERA5、CRA-40等，這降低了AI大模型的適用場景，部分模型已開始嘗試使用原始數(shù)據(jù)進(jìn)行模型的訓(xùn)練及推理，降低對再分析數(shù)據(jù)的依賴，這有望進(jìn)一步擴(kuò)大AI大模型的應(yīng)用范圍。
總的來看，近年來，AI大模型技術(shù)發(fā)展非常迅速，在巨災(zāi)風(fēng)險(xiǎn)預(yù)測領(lǐng)域得到了廣泛的應(yīng)用，特別是在本文關(guān)注的氣象領(lǐng)域，實(shí)現(xiàn)了以遠(yuǎn)低于原有數(shù)值模型的成本實(shí)現(xiàn)接近甚至超越原模型的預(yù)測效果，這為保險(xiǎn)公司更好預(yù)測巨災(zāi)風(fēng)險(xiǎn)、降低災(zāi)害損害、評估災(zāi)害損失提供了強(qiáng)有力的工具，具有巨大的發(fā)展空間。
參考文獻(xiàn)：
1.REICHSTEIN, Markus, et al. Early warning of complex climate risk with integrated artificial intelligence. Nature Communications, 2025, 16. Jg., Nr. 1, S. 2564.
2.CAMPS-VALLS, Gustau, et al. Artificial intelligence for modeling and understanding extreme weather and climate events. Nature Communications, 2025, 16. Jg., Nr. 1, S. 1919.
3.MCNORTON, Joe Ramu, et al. A global probability‐of‐fire (PoF) forecast. Geophysical Research Letters, 2024, 51. Jg., Nr. 12, S. e2023GL107929.
4.GIRONA, Társilo; DRYMONI, Kyriaki. Abnormal low-magnitude seismicity preceding large-magnitude earthquakes. Nature Communications, 2024, 15. Jg., Nr. 1, S. 7429.
5.CHANTRY, Matthew, et al. AIFS-ECMWF's Data-Driven Forecasting System. In: 105th AMS Annual Meeting. AMS, 2025.
6.RAVURI, Suman, et al. Skilful precipitation nowcasting using deep generative models of radar. Nature, 2021, 597. Jg., Nr. 7878, S. 672-677.
7.CHEN, Kang, et al. Fengwu: Pushing the skillful global medium-range weather foecast beyond 10 days lead. arXiv preprint arXiv:2304.02948, 2023.
8.PATHAK, Jaideep, et al. Fourcastnet: A global data-driven high-resolution weather model using adaptive fourier neural operators. arXiv preprint arXiv:2202.11214, 2022.
9.LAM, Remi, et al. Learning skillful medium-range global weather forecasting. Science, 2023, 382. Jg., Nr. 6677, S. 1416-1421.
10.ANDRYCHOWICZ, Marcin, et al. Deep learning for day forecasts from sparse observations. arXiv preprint arXiv:2306.06079, 2023.
11.KOCHKOV, Dmitrii, et al. Neural general circulation models for weather and climate. Nature, 2024, 632. Jg., Nr. 8027, S. 1060-1066.
12.ZHANG, Yuchen, et al. Skilful nowcasting of extreme precipitation with NowcastNet. Nature, 2023, 619. Jg., Nr. 7970, S. 526-532.
13.BI, Kaifeng, et al. Accurate medium-range global weather forecasting with 3D neural networks. Nature, 2023, 619. Jg., Nr. 7970, S. 533-538.
14.NEARING, Grey, et al. Global prediction of extreme floods in ungauged watersheds. Nature, 2024, 627. Jg., Nr. 8004, S. 559-563.
15.汪海濤, et al. 國內(nèi) AI 中期天氣預(yù)報(bào)大模型進(jìn)展及面臨的挑戰(zhàn). Computer Science and Application, 2024, 14. Jg., S. 196.
本文系未央網(wǎng)專欄作者:肖 達(dá) 發(fā)表，內(nèi)容屬作者個(gè)人觀點(diǎn)，不代表網(wǎng)站觀點(diǎn)，未經(jīng)許可嚴(yán)禁轉(zhuǎn)載，違者必究！
