内含教程丨微软Aurora计算速度提升5000倍，可预测极端天气/空气质量/海浪/气旋路径等

随着全球气候变化和自然灾害频发，精确可靠的地球系统预测对于减轻灾害影响、支持人类社会进步都至关重要。传统的数值模型虽然功能强大，但计算成本极高，限制了其广泛应用。近年来，人工智能在环境预测领域展现出巨大潜力，特别是在提高预测性能和效率方面。然而，在地球系统多个关键领域，AI 的潜力仍未得到充分探索。

为了应对这一挑战，微软研究院及其合作者推出了首个大规模大气基础模型 Aurora，通过在超过一百万小时的多样化地球物理数据上进行预训练，并在多个特定任务上进行微调，实现对空气质量、海洋波浪、热带气旋路径及高分辨率天气等多种地球系统变量的准确预测。在显著降低计算成本的同时，超越现有操作系统的性能，推动高质量气候和天气信息的广泛获取。经验证表明，与最先进的综合预报系统 IFS 相比，Aurora 的计算速度提升了约 5,000 倍。

以下是 Aurora 在不同领域取得的具体研究成果：

* 在空气质量预测方面，Aurora 在 5 天全球空气污染预测中，以 0.4° 分辨率实现了对资源密集型数值大气化学模拟的超越，在 74% 的目标上表现更优；

* 海浪预测领域，Aurora 在 10 天全球海洋波浪预测中，以 0.25° 分辨率在 86% 的目标上超过了成本高昂的数值模型；

* 针对 5 天热带气旋路径预测，Aurora 全面超越了 7 个业务预报中心（operational forecasting），首次在所有目标上实现了 100% 的超越率；

* 在 10 天全球天气预测中，Aurora 以 0.1° 分辨率在 92% 的目标上超过了最先进的数值模型，同时改进了对极端事件的预测性能。

数据集方面，Aurora 涵盖了多种地球物理数据，包括预报、分析数据、再分析数据和气候模拟数据。这些数据具有不同的分辨率、变量和压力层，为模型提供了丰富的信息来源。在预处理阶段，数据被统一转换为标准化的三维图形，以便输入到模型中。

模型结构方面，Aurora 采用 3D Swin Transformer 架构，结合 3D Perceiver 编码器和解码器。该模型由编码器、处理器和解码器 3 部分组成。编码器将异构输入转换为通用的 3D 潜在表示，处理器通过 3D Swin Transformer 实现时间上的向前演化，解码器则将潜在表示转换回物理预测。

相关研究论文以「A foundation model for the Earth system」为题，已在 Nature 上发表。

论文地址：

https://hyper.ai/cn/papers/s41586-025-09005-y

为了方便读者更加直观地体验 Aurora 的强大能力，HyperAI 超神经官网的「教程」板块现已上线「Aurora 大规模大气基础模型 Demo」，分别包含环境治理和公共健康、地球科学、大气预测等多个领域的不同模型示例，快来体验吧！

* 教程地址：https://go.hyper.ai/J9hl5

我们还为新注册用户准备了惊喜福利，使用邀请码「Aurora」注册 OpenBayes 平台，即可获得 4 小时 RTX A6000 免费使用时长（资源有效期为 1 个月），数量有限，先到先得！