物理AI为何不能只靠堆算力？从天气预测看神经算子

从天气预测切入物理AI

加州理工学院教授、Accelerated Understanding 联合创始人 Anima Anandkumar，长期研究如何用 AI 描述物理世界。与语言建模不同，她关注的是天气、聚变、流体与热传导等连续系统：这些系统规模庞大、具有混沌特征，而且涉及多个空间与时间尺度。

在着手开发开放的 AI 天气模型时，她面对的质疑很直接：传统物理模拟已经发展数十年，依赖超级计算机；天气本身又高度复杂，训练数据是否足够？

她的团队随后在约一年内开发了 FourCastNet，在天气预测任务中展示了与先进物理模拟竞争的能力。相关后续工作也使使用消费级 GPU 进行短期天气预测成为可能。

为什么不能直接照搬语言模型的扩展路线？

物理建模至少面临两类约束。

• 数据规模有限。 许多物理领域的开放数据集只有数万至数十万个样本，难以直接复用依赖海量训练数据的路线。
• 高分辨率带来庞大的表示规模。 连续物理系统需要细致描述多个维度。若直接把这些信息展开成序列，上下文规模可能达到数千亿甚至万亿量级。

Anandkumar 据此指出，对这类工业尺度问题，直接采用超长上下文 Transformer 的计算代价难以承受。

这并不意味着物理AI无法继续进步，而是说，增加数据和算力之外，还需要把问题本身的结构放进模型。

神经算子：学习函数之间的映射

Anandkumar 参与开创的一个重要方向是 神经算子（Neural Operators）。

理解它的关键，是从“拟合固定网格上的数值”转向“学习函数之间的映射”。对于物理系统，输入和输出往往是随位置、时间变化的场，而不仅是一组固定长度的数值。

神经算子为结合数据与物理规律、处理不同尺度的输入输出提供了方法，也使研究者能够把物理直觉转化为模型中的先验与归纳偏置。

全球天气建模为何要考虑球面结构？

地球是球体，全球天气模型的表示方式需要适应这一几何结构。

这里的重要工具是 球谐函数：它为球面上的变化提供了一种自然的数学表示。选择适合问题的基函数，有助于改善模型在反复推进预测过程时的稳定性。

傅里叶神经算子（Fourier Neural Operator，FNO） 在频域中学习；其球面变体被用于 FourCastNet 3，以支持全球天气建模和较长时间的稳定运行。

需要区分的是，能够稳定运行数月，不等于能够准确预测数月后的具体天气。模型的数值稳定性与预测准确性，是两个不同的问题。

值得讨论：物理AI需要怎样的基础模型？

这条研究路线呈现出的重点，不是简单地把物理数据转换成更多 token，而是让模型更贴合物理系统：

• 面对连续变化的物理场，学习函数之间的关系；
• 面对多尺度系统，避免被单一固定网格束缚；
• 面对特定几何结构，采用相应的数学表示；
• 在数据有限时，利用物理先验约束学习过程。

从天气预测到流体与热传导，物理AI提出的核心问题是：如何把数据驱动的学习能力，与物理世界已有的结构性知识结合起来？