用 NVIDIA Earth-2 预测英国空气污染居然只要两天时间

用传统的化学模型算空气质量简直是计算资源的黑洞，不仅贵而且慢，导致预测精度和频率都上不去。曼彻斯特大学的 David Topping 教授这次直接换了思路，用 NVIDIA Earth-2 系列的生成式 AI 框架来跑污染场预测，结果在 Isambard-AI 超级计算机上跑，训练居然只用了两天，而且一次性就跑通了。

为什么这次不用化学模型而用生成式 AI？

传统的空气质量预测要把化学反应方程式塞进天气模型里，这会导致计算速度慢到令人发指。Topping 教授发现 NVIDIA 搞天气预报的那套生成式框架能解决类似问题，于是尝试把这个逻辑搬到污染预测上。

他们具体的操作链路是这样的：先用现有的化学-气候模拟数据生成训练集，然后在这个数据集上训练一个叫 Earth-2 CorrDiff 的生成式降尺度模型。

具体的硬件配置和运行效率

这次的性能表现确实有点离谱，完全打破了以往对这种大规模环境模拟的认知：

• 训练环境： 使用了位于布里斯托的英国国家 AI 超级计算机 Isambard-AI。这台机器极其暴力，内置了 5,448 颗 NVIDIA GH200 Grace Hopper Superchips，AI 算力达到了 21 exaflops。
• 实际耗时： 整个训练过程只用了单个 8-GPU 节点，耗时仅 2 天。
• 数据精度： 团队使用了覆盖全英国、以小时为间隔的年度模拟污染数据，最终生成的模型分辨率达到了 2-3 平方公里。
• 部署能力： 重点在于，训练完的模型现在可以在一台放在桌上的 NVIDIA DGX Spark 个人 AI 超级计算机上跑推理。

现在的预测能力到了什么程度？

除了 CorrDiff，团队还引入了 Earth-2 StormCast。这个模型能直接利用空气质量的实时观测数据进行随时间变化的预测。

这意味着他们现在可以做两件事：
一是模拟未来场景。比如政府出台某项环保政策后，空气质量具体会怎么变，现在能通过模型跑出结果。
二是实时预警。比如针对哮喘患者，医疗机构可以提前一周精准告知某个区域明后天污染是否严重。

目前他们还在研究怎么把这个模型和边缘 AI 设备结合，这样在面对森林火灾这种突发状况时，能实时摄入数据并快速做决策。

这种从国家级超算训练、到桌面级工作站运行的链路，基本上把环境科学的门槛给拉低了。原本需要庞大计算集群才能跑的模拟，现在一个 DGX Spark 就能搞定，这确实改变了做这类研究的效率。