简介这份PPT围绕盘古天气大模型展开详细介绍了其核心创新点——三维深度网络结构与分层时间聚合算法并与传统数值天气预报方法做了对比展示出模型在重力势、湿度、风速、温度等要素以及一小时至一周时效上的精度领先。内容中还呈现了秒级预报能力、计算速度的提升以及台风路径预测中位置误差降低20%以上的实验结果能够帮助人工智能气象领域的研究者与开发者快速理解模型设计思路与工程落地价值。资源包含一个演示文稿文件格式为pptx压缩包大小约13.43MB已有1555人学习。通过这份演讲材料读者不仅能把握盘古天气模型从研究背景、技术方法到实验验证、未来展望的完整脉络也能借鉴三维深度网络在地球物理科学中的典型应用案例适合作为算法入门与行业参考的直观学习素材。1. 盘古天气大模型介绍 PPT把 3D 气象大模型讲明白的现成讲稿盘古天气大模型介绍 PPT 这份资源把盘古天气大模型这套以 3D 深度网络为核心算法的人工智能中期天气预报方案拆成了一份可以直接开讲的完整材料。它没有停在模型很厉害的层面而是从数值天气预报NWP的痛点讲起铺开 AI 为什么能切入、3D 网络怎么设计、分层时间聚合解决什么问题最后落在确定性预报、集合预报和台风路径预测的结果上。整份 PPT 按 Background、Methodology、Experiments、Future Work 四段推进是标准的技术报告叙事结构。适合三类人要做 AI4S 方向技术分享但缺讲稿骨架的算法工程师刚从传统气象或遥感方向转过来、想快速建立盘古天气大模型全局认知的研究者要给业务团队解释盘古到底改了预报流程里哪一环的落地同学。拿到手就能改造成自己的汇报底稿省掉从论文和零散材料里扒图、扒结构的时间。2. AI 如何冲击数值天气预报PPT 里的背景叙事线2.1 传统数值预报NWP为什么需要被挑战数值天气预报不是看图说话而是用超级计算机求解一组大气运动偏微分方程连续方程、动量方程、热力学方程、水汽方程外加对辐射、对流、云微物理等次网格过程的参数化。PPT 在背景部分引用了一个开源区域数值模式的方程片段那一屏密密麻麻的公式想传达的关键信息很明确方程本身是物理近似离散化是一层近似参数化又是一层近似。三层近似叠加预报误差会随积分时长持续累积。预报 3 天可能还在可控范围内预报 7 天时一场中尺度对流过程的位置就可能偏出去几百公里。业务化 NWP 还要面对对观测噪声敏感的同化系统日常运行需要海量历史数据、庞大的 CPU 集群以及每天多次四维变分同化。PPT 用了一张很直观的示例图输入是 2 米温度场右边是未来 3 天的真值中间是 NWP 算法这个黑匣子。这张图放在分享里最大的作用是让听众先意识到输入输出其实很清楚问题都出在中间的求解过程。读这一节时建议你抓住一条主线来讲方程近似 → 误差累积 → 算力昂贵 → AI 有机会。不要把时间花在推导方程上听众要的是传统方案为什么疼不是方程怎么解。市面上很多 AI4S 分享翻车就翻在背景部分讲了 20 分钟公式方法部分反而一笔带过。这份 PPT 的做法值得借鉴公式只出现一页作为复杂性的证据而不是作为教学内容。2.2 AI4S 的故事线从棋类到天气接下来 PPT 把视野拉到AI for Science的宏观脉络。深度学习的本质是用一组可导参数去逼近输入到输出的复杂映射端到端优化让模型变成了不容易解释的黑匣子但它在海量数据拟合上的能力恰好补上了传统科学计算里人工设计规则的短板。PPT 给了一张很有价值的对照表把棋类博弈、蛋白质结构预测、余震模式挖掘、核聚变磁控制、数学定理发现、天气临近预报、中期天气预报等案例串成一条线传统做法是人工启发式或物理模拟AI 做法是深度网络或强化学习。这张表我建议你直接复用到自己的分享里它的价值不是罗列论文而是给出 AI4S 的分类学哪些问题已经被 AI 改写了哪些还停留在物理模拟阶段。盘古天气大模型属于表格最后一行中期天气预报。具体到天气这个门类PPT 还把临近预报和中期预报分开了临近预报是在雷达回波数据上做深度生成模型看未来几小时的降水中期预报则是拟合全球再分析资料看未来一到两周的大尺度环流。两者数据形态不同、时间尺度不同、方法论也不同。讲的时候一定不要把这两个混在一起否则听众会拿着几小时降水预测的精度来质疑7 天中期预报的结论口径完全不对。2.3 为什么 AI 能切入 NWP两个前提与两个优势PPT 把 AI 介入 NWP 的理由收敛成两句话人类经验不足以完整刻画复杂系统数据充足到可以支撑大参数模型。第一句对应 NWP 方程里的近似与参数化第二句对应从 1940 年代至今、覆盖全球的再分析资料——也就是业界常说的 ERA5 那一档数据。优势部分给了两个切入角度AI 推理比传统模拟快约一万倍AI 能给出与方程解互补的个体预报。这里要特别注意口径一万倍指的是单次推理路径上的耗时差不是把数据同化和后处理都算进去的业务端到端时间差。你在背景部分就要把这个口径锚住后面实验结果部分才不会让人产生AI 全流程都快一万倍的误解。这一节的讲法也有讲究。我一般会先抛再分析资料从 1940 年代到现在这个数据规模事实再放快一万倍这个数字最后补一句但训练成本不低。先给希望再泼一盆冷水听众对后面方法部分的接受度会高很多。如果你一上来就吹秒级推理反而容易在问答环节被追问训练成本届时被问住了反而显得不专业。2.4 此前的数据驱动方案两条路线和盘古的位置背景部分的最后一块是回顾既有的 AI 天气方案这份 PPT 挑了有代表性的两条路线来讲。第一条是自适应傅里叶神经算子与视觉 Transformer 结合的方案在频域做全局算子捕捉大气场的大尺度结构再用微调缓解迭代误差。它的优势是能做到较高分辨率但结果仍然弱于业务化数值系统尤其是中期时效上。第二条是基于图神经网络的方案把全球网格建模成图结构做消息传递在数据驱动预报里也取得了当时最好的成绩与前者属于同期工作。盘古天气大模型在这两条路线的夹缝里选了一条不同的路不回避 3D 空间结构不回避地球物理先验用 Transformer 直接处理全球体素。这里我想强调一个读法背景部分的目的不是打压同行而是说明一条朴素的道理——数据驱动天气预测不是谁先提出来的而是看谁的归纳偏置更贴合大气物理。3D 空间结构、绝对坐标、时间分层这三个关键词才是盘古的差异化所在。到这里听众的注意力已经被引向方法部分背景章节就可以收住了。3. 3D 地球特定 Transformer 与分层时间聚合核心方法拆解3.1 为什么必须是 3D 网络体素、压力层与推理速度先看数据长什么样。全球再分析资料在经度、纬度之外还有第三个维度等压面高度。比如 1000hPa、850hPa、500hPa、200hPa 等十几个层每个层上都有一组气象变量。把经纬度网格、气压层、变量堆叠起来就是一个典型的三维体素数据立方体。PPT 明确回答了为什么要用 3D 网络这个问题理由有三条条条都值得记住。第一3D 网络里的每个神经元天然感知高度信息能同时看到这个格点在中层还是高层第二大气状态在不同气压层之间的间距、分布和关联性差异很大很多天气过程辐射、对流只有在三维空间里才能完整表达第三推理速度更快——如果按等压层逐层处理再做后处理合并既要处理十几个层又要做层间融合而 3D 网络一次前向传播就把所有层一起算完。但 3D 是有代价的。体素数量随三个维度乘积增长直接在三维张量上做全局自注意力计算量和显存都吃不消。PPT 给出的工程解法是采用层次化窗口注意力把三维体素切成窗口在窗口内做自注意力再通过层间错位让信息跨窗口流动。这套结构来自视觉领域的层次化 Transformer迁移到天气数据上属于结构复用而不是照搬。我建议你分享时画一张体素切窗口的示意草图听众看到窗口机制后就明白计算量是被怎么压下来的。3.2 注入地球先验绝对坐标、不均匀网格与高度关系普通的图像 Transformer 处理的是像素像素之间是等间距的、没有绝对坐标概念。天气体素不一样每个体素对应地球上唯一的经纬度和高度气象变量和这个绝对坐标强相关。PPT 把它概括为地球特定先验这是 3DEST 设计里真正想表达的东西。具体有三个现象支撑这种设计。第一个是地球球面上的网格分布不均匀经纬度网格在赤道附近接近正方形越往两极经线收拢同一个经度格距对应的实际物理距离越来越小。第二个是位势高度随纬度变化明显比如 500hPa 位势高度在副热带高、极区低这种大尺度差异不刻画进去就没有办法讲清楚环流。第三个是风速和温度随高度变化剧烈对流层顶附近的急流、边界层内的逆温都是高度相关的典型现象。模型怎么把这种先验用进去常见做法是在位置编码阶段把每个体素的绝对坐标作为额外特征注入网络而不是只用相对位置偏移。这么一改网络在注意力计算里就能区分同一纬度的不同高度和同一高度的不同纬度这两类关系。这个设计的微妙之处在于它没有给网络强加任何物理方程只是把大气的基本几何事实作为偏置喂进去。我在做技术评审时经常看到有人忽略这一步直接拿 2D 图像的位置编码去初始化 3D 模型结果就是训练收敛慢、短期误差压不下去。位置编码这种小东西的效果很难从结构图上看出差别但看过消融实验的人都清楚它对精度的贡献是实打实的。3.3 分层时间聚合4 个模型与贪心选择算法中期预报是自回归问题要把预报结果作为下一次的输入一步步往前推。自回归最大的敌人是误差累积迭代次数越多误差放大越厉害。PPT 给出的解法很直接既然误差随迭代增长那就减少迭代次数。于是有了分层时间聚合。它训练了 4 个结构相同、但前置时间不同的模型分别为 1 小时、3 小时、6 小时、24 小时。推理时用一个贪心算法决定下一步调用哪个模型每次选择不超过剩余时长、且前置时间最大的那个模型把它的输出作为下一次迭代的输入。下面是这个贪心过程的示意代码逻辑很轻但适合直接放进你的分享里演示# 分层时间聚合推理时每一步贪心选择最大可用前置时间 LEAD_TIMES (1, 3, 6, 24) # 四个已训练模型各自的最大前置小时数 def plan_steps(target_hours): steps [] remaining target_hours while remaining 0: # 关键约束前置时间不能超过剩余时长取最大合法值 step max(t for t in LEAD_TIMES if t remaining) steps.append(step) remaining - step return steps print(plan_steps(168)) # 7 天 - [24,24,24,24,24,24,24]共 7 次迭代 print(plan_steps(30)) # - [24, 6]先用 24h 模型跳一大步 print(plan_steps(5)) # - [3, 1, 1]不足 24h 时用小步长补齐这段逻辑里有两个参数值得展开。第一个是 LEAD_TIMES 的选择1、3、6、24 这套组合可以覆盖任意整数小时的目标预报时长因为 24 负责大步长6 和 3 负责整除 24 后的余数1 兜底。第二个是贪心策略本身它在每一步只做局部最优不保证全局最优但在误差累积和推理步数之间取平衡已经足够有效——一个 7 天预报只需要 7 次迭代而如果只用 1 小时模型要迭代 168 次误差放大的机会差了 24 倍。提示训练这 4 个模型时监督标签是不同的。1 小时模型看到的样本是 t 时刻到 t1h 的状态对24 小时模型看到的是 t 到 t24h 的状态对。同一个架构、不同前置时间本质上是让网络分别学习不同时间尺度上的动力学。我在分享时习惯先跑一遍这段代码的输出去做演示168 小时打印出七个 24比任何语言描述都直观。然后紧接着放一张7 次迭代 vs 168 次迭代的误差累积示意曲线听众立刻就懂分层时间聚合的价值在哪里。3.4 网络规模与推理速度的取舍3D 体素的代价还体现在模型规模上。PPT 提到网络在深度和宽度上做了缩减这是为了在三维体素上控制激活值和显存但它同时补了一句很重要的观点——在算力允许的前提下更大规模模型效果会更好。这句话读起来像废话实则是给落地者的一颗定心丸结构确定之后模型大小是一个可以按硬件条件伸缩的旋钮。结合摘要里提到的自适应地抽取不同规模的模型这套设计就有了工程意义同一套 3D 结构可以根据用户需要的推理速度、显存预算、业务时效抽出大、中、小不同体量的子模型。小的跑在边缘设备上做快速预判大的跑在高性能集群上做业务级预报。这种做法在图像领域很常见但放到天气大模型里它直接回答了一个现实问题模型这么重业务怎么接答案不是所有人都要跑最大的那个而是按需裁剪。4. 从确定性预报到台风路径实验结果怎么读4.1 实验设定与评估口径再分析资料、分辨率与变量方法论讲完之后PPT 进入实验结果部分。先说数据设定训练基于全球再分析资料ERA5 那一档空间分辨率取的是再分析资料里常见的高分辨率档约 0.25°×0.25°垂直方向用多个等压面变量覆盖位势高度、相对湿度、风场、温度以及 2 米温度这类近地面量。时间上常见做法是每隔若干小时取一个状态快照按时间先后切出训练集和验证集防止数据泄漏。评估指标主要是两个RMSE 和 ACC距平相关系数。RMSE 衡量预报值与真值的绝对差距容易被大值事件带偏ACC 衡量的是异常部分的空间相关程度更能反映系统性预报的好坏。在 PPT 的语境里精度超过当前最先进预报方法这句结论是同时看这两类指标的结果不是单看 RMSE。变量族垂直/近地面分布预报关注点位势高度多个等压面环流型、槽脊位置相对湿度多个等压面云与降水潜势风场U/V多个等压面急流、引导气流温度等压面 / 2m冷暖活动、地面气温这里有一个读结果的要点再分析资料本身是模式与观测同化后的产品不是纯观测。用它做训练标签和评估基准是数据驱动天气预测领域的通行做法但任何超过业务系统的结论都要限定在再分析这个参照系里。PPT 在背景页已经把这个口径交代清楚了你分享时要主动提一句免得听众误以为预报能力和业务系统是在完全相同的实时观测输入下对比的。4.2 确定性预报与集合预报两类结果的读法PPT 的实验结果分了确定性和集合预报两块。确定性预报就是单个模型跑出的最优估计评估时看上面的 RMSE 和 ACC。摘要里最核心的那句结论——在重力势、湿度、风速、温度等关键要素和从 1 小时到一周的常用时间范围上精度均超过当前最先进方法——说的就是确定性预报这一档。集合预报则要解释不确定性这件事。中期预报对初始状态极其敏感单次预报从略有差异的初始场出发7 天后可能得到完全不同的天气型。集合预报的做法是对初始场做微扰跑多组预报用成员之间的离散度来近似概率分布。PPT 把集合预报放进实验结果说明盘古天气大模型不是只会给一条线而是能给一个不确定性的包络。注意确定性预报精度高不代表单次预报一定命中。看结果时盯住两个东西一是有没有和业务化系统用相同的评估时间段二是有没有把集合的离散度展示出来。只放确定性曲线不放集合包络的分享都要留个心眼。这一节我建议分享时放两张图对照左边确定性预报的 RMSE 随预报时效变化的曲线右边集合预报成员的离散度与误差关系。两张图放在一起听众才能理解精度高和风险可量化是两件相辅相成的事。4.3 台风路径预测位置误差降低 20% 以上的实战价值极端天气是检验中期预报模型成色的试金石PPT 选了热带气旋路径预测作为代表。台风的难点在于路径对引导气流敏感高空一个槽的微小调整就能让预报路径偏出几百公里同时台风又是空间尺度小、强度变化快的系统分辨率不够的模型经常把结构抹平。PPT 给出的结论是相比传统数值气象预报方法盘古天气大模型在台风路径预测任务上可以降低 20% 以上的位置误差。这个数字的实战含义比字面更大路径误差每缩小 20%沿海的预警提前量就能多出几个小时到一天疏散决策的窗口明显变宽。对应急场景来说这比平均 RMSE 降低几个百分点更有说服力。对比项传统数值预报盘古天气大模型单次推理耗时小时级超算集群秒级单卡/少卡7 天预报迭代次数数百步数值积分7 次24h 模型串联台风路径位置误差基准降低 20% 以上我在分享这一页时会先放一张台风路径的对比图预测路径和最佳路径的逐 6 小时间隔对比再放位置误差的累积曲线最后才说20% 以上这个数字。顺序很重要先让听众看到路径形状对上了再落到定量数字结论才会有分量。同时我会强调集合预报在台风场景下的作用——单一确定性路径会给人必走这条线的错觉集合成员才能给出路径概率锥这在业务上是更关键的输出。5. 解读盘古天气大模型避坑指南5 个常见误区下面这 5 个坑是我在拆这份 PPT、给团队做内部分享时实际踩过的每一条都有真实教训。写出来供你对照希望你别再踩一遍。5.1 误区一把秒级预报当成端到端全流程秒级现象一看到摘要里的秒级天气预报就以为从观测数据到最终预报图全流程只要一秒还有人以为训练也是秒级完成的。原因秒级只指深度网络推理这一个环节。实际业务链路里观测资料获取、质量控制、再分析同化、后处理、可视化每一段都有自己的耗时训练更是需要大规模 GPU 集群和以天为单位的训练周期和推理是两回事。解决在分享里主动区分三个词——训练、推理、端到端业务链路。PPT 说快一万倍指的是单次推理路径说秒级指 7 天预报在一次前向传播链路上完成。这两个说法都不要扩展成全流程。5.2 误区二以为盘古只有一个模型现象把盘古天气大模型理解成一个单一网络讨论这个模型多大这个模型推理多快拿单模型参数去和别的模型对比。原因分层时间聚合结构里面是 4 个前置时间不同的模型1h/3h/6h/24h推理时靠贪心算法串联如果再算上按需抽取的大中小变体实际是一个模型族而不是单模型。解决讲结构时先说明4 个模型共享架构、分别训练、协同推理再讲贪心选择逻辑。先讲清楚这一点后续讨论参数量和推理速度时双方才有共同口径。5.3 误区三把再分析资料当成实时观测现象认为模型是拿实时观测训练和评估的数据天然新鲜进而质疑预报未来一周怎么保证时效。原因训练和评估用的全球再分析资料是历史产品里面已经融合同化了大量观测但不是实时数据流业务部署时才接入实时观测或实时分析场作为初始状态。解决把训练标签是再分析资料、业务输入是实时分析场这个链路画出来一句话就能澄清。分享时主动说这一句能省掉后面一整轮的追问。5.4 误区四把确定性预报结果当成必然发生现象看到 7 天确定性预报的某一天温度、某个台风的单条路径就当作最可能发生的结论直接汇报给业务方。原因中期预报对初始误差敏感单条确定性路径只是期望意义上的最优估计真实大气可能走的是集合成员里的另一条路两者在 7 天尺度上可能完全不同型。解决凡是涉及 7 天以上预报的演示都要附带集合离散度或概率锥。至少口头上加一句确定性加集合一起看避免误导业务决策。这也是 PPT 把集合预报单独列出来的原因。5.5 误区五忽略 3D 网络对显存与算力的门槛现象拿到 PPT 就以为可以在本地单卡复现完整模型结果跑最大的 3D 变体时直接显存溢出。原因3D 体素的自注意力即使加了窗口机制中间激活值仍然远大于同参数量的 2D 模型全量复现通常需要多卡并行和较大的显存预算。解决先用较小规模的变体或降低输入分辨率跑通推理流程验证逻辑后再按业务需求决定要不要上大模型。自适应抽取不同规模模型这句话就是为这个场景准备的它不是宣传口号是实际可用的部署手段。6. 把这份 PPT 改编成自己的技术分享快速验证与讲稿结构6.1 四句话口头禅一页纸说清模型核心第一句盘古天气大模型是用 3D 网络处理全球大气体素而不是逐层处理等压面再做融合。第二句通过把绝对坐标编码进位置信息让网络天然知道每个格点在地球上哪个位置。第三句用 1/3/6/24 小时四个前置时间模型加贪心串联把 7 天预报的迭代次数压到 7 次。第四句训练用全球再分析资料评估对齐业务化系统口径落地时按硬件条件抽取不同规模的模型。这四句话覆盖了数据、结构、时间策略、评估口径四个维度也是整份 PPT 的方法论主线。新手照着讲不容易跑偏熟手拿它做开场钩子比直接放架构图更能抓住听众。6.2 验证结论的一条可行路线如果你想在分享前验证 PPT 里的结论常见路径是先拿这份 PPT 当讲稿底稿找到该工作对应的公开实现和预训练权重跑单步推理对比 24 小时和 3 天时效的 RMSE、ACC再挑一个台风过程对比路径误差趋势。如果暂时没有官方实现退一步用再分析资料做一个小数据的简化训练重点验证分层时间聚合是否真的能把误差累积压下来——只看 7 次迭代和 168 次迭代的误差曲线差异就够了。调位置编码这类偏置项做得好不好有时候还挺玄学我见过同样的 3D 结构位置编码里喂了绝对坐标后训练第二天的收敛曲线明显更平滑。从那以后我每次拿到一份模型介绍 PPT都会先强制走一遍先讲输入输出、再讲结构取舍、最后锁定评估口径的流程花不了 10 分钟但能避免分享时被问答环节问穿。希望帮到你。本文还有配套的精品资源点击获取
