清华大学发布AI模型TritonCast，在地球系统长时效预测方面取得新进展

地球气候变化与极端天气事件频发，对精准的地球系统中长期预测提出了前所未有的挑战。然而，当前主流的人工智能（AI）模型在进行长时程的“自回归”预测（即用模型自己的预测结果作为下一步的输入）时，普遍存在误差迅速累积、最终导致预测崩溃的“失稳”难题。今日，一篇由清华大学领衔的开创性研究论文为解决这一难题带来了曙光。

该研究提出的名为TritonCast 的AI预测模型，主结构如图所示，成功攻克了长期预测中的稳定性瓶颈，在多个领域展现出革命性的性能。清华大学黄小猛教授为通讯作者。

核心突破：根治AI“光谱偏差”，实现前所未有的长期稳定

传统AI模型在处理地球系统数据时，存在固有的“光谱偏差”——它们擅长学习大尺度、低频率的平滑信号，却难以捕捉那些决定系统长期演变的关键性小尺度、高频率动态。这些在初期看似微不足道的细节误差，在长期迭代预测中会被非线性地放大，最终导致“蝴蝶效应”，使得预测结果偏离真实物理规律，变得毫无价值。

清华团队从数值计算的经典“多重网格法”中汲取灵感，为TritonCast设计了一套独特的“分而治之”架构：

·潜藏动力核心 (Latent Dynamical Core): 模型在最粗糙的分辨率层面设立一个核心模块，专门负责模拟系统最主要、最稳定的大尺度演变趋势。由于不受小尺度高频信息的干扰，这个“核心引擎”能够确保预测的长期稳定性。

·多重网格结构与跳跃连接 (Multi-Grid Hierarchy and Skip-Connections): 模型通过一套由粗到细、再由细到粗的V型计算路径，将稳定的“大趋势”与从原始输入中提取的“小细节”逐层融合。这确保了在拥有长期稳定性的同时，预测结果依然能保持丰富的细节和物理真实性。

这种架构协同作用，从根本上抑制了误差的跨尺度传播与累积，使得TritonCast能够“看得更远、算得更准”。

多领域的卓越表现

依托于数百张A100 GPU的大规模并行训练，TritonCast的强大能力在横跨大气科学、海洋学和理论物理等多个领域的严苛测试中得到了有力证明：

1.大气与气候预测：稳定运行数年，精准捕捉极端事件

o年际尺度稳定预测： TritonCast成功完成了长达一年的、纯粹自回归的全球大气预测，准确再现了季节性温度循环，而其他主流模型则在此期间出现严重偏差甚至崩溃。

o提前半年预警超级热浪： 令人瞩目的是，仅利用2020年1月1日的初始条件，TritonCast成功预测了同年6月发生的、破纪录的西伯利亚地区极端热浪事件。

o潜力巨大的AI气候模型： 在长达2500天（近7年）的气候模拟中，模型表现出卓越的稳定性，未出现系统性漂移，成功复现了全球气温的季节与年际变化。

2.海洋预测：有效预报时效提升一个数量级

o120天涡旋精准追踪： 在海洋涡旋这一预测难度极高的领域，TritonCast将有效预测时效（ACC > 0.85）从此前的约10天提升至120天，实现了数量级的跨越。

o高保真模拟海洋动力过程： 在长达数月的模拟中，TritonCast能够清晰地维持墨西哥湾流等复杂洋流系统的精细热力结构，而其他模型则早已退化为模糊或充满噪声的图像。

3.“零样本”泛化能力：证明其已学到物理规律

oTritonCast展现了“零样本跨分辨率泛化”能力。一个仅在0.25°粗分辨率数据上训练的模型，可以直接应用于其从未见过的0.125°高分辨率数据，并生成物理上真实且细节丰富的预测。这有力地证明了TritonCast并非简单地“记住”数据模式，而是真正学习到了背后普适的物理动力规律。

高效计算，赋能未来

除了性能上的巨大突破，TritonCast还拥有极高的计算效率。例如，在单张NVIDIA A100 GPU上，完成一整年的全球预报仅需56秒。这种“算得快、算得准、算得久”的特性，为AI技术在天气预报、气候变化研究、海洋资源开发、防灾减灾等关键领域的深度应用打开了全新的想象空间。

这项由清华大学主导，联合腾讯、中国科学技术大学、林茨约翰内斯·开普勒大学等国内外多家顶尖机构共同完成的研究，为构建新一代值得信赖的、由AI驱动的地球系统模拟与预测体系开辟了一条充满希望的道路。

END

声明：欢迎转载、转发。气象学家公众号转载信息旨在传播交流，其内容由作者负责，不代表本号观点。文中部分图片来源于网络，如涉及内容、版权和其他问题，请联系小编处理。