曼大用 NVIDIA Earth-2 预测空气污染

空气污染是严重的公共健康隐患。仅在去年，英国就有导致约 3 万人死亡的病例与空气污染相关。虽然数据驱动的分析能带来转机，但传统基于化学反应的气象模拟计算成本极其高昂，严重限制了预测的精细度与更新频率。

曼彻斯特大学地球与环境科学系教授戴维·托平（David Topping）注意到了 NVIDIA Earth-2 开放 AI 模型在天气预报领域的突破，决定尝试将该生成式架构引入污染场模拟。传统气象模型一旦加入化学反应，计算速度就会骤降，而生成式框架恰好能破解这一算力瓶颈。

托平团队与 NVIDIA Earth-2 团队展开合作，利用现有化学-气候仿真数据生成训练集，随后在位于布里斯托尔的英国国家级 AI 超算 Isambard-AI 上训练了生成式降尺度模型 Earth-2 CorrDiff。令人振奋的是，模型在首次尝试中就成功跑通。

随后，团队又引入了 Earth-2 StormCast 模型，利用实时空气质量监测数据生成随时间变化的动态预测，并成功在 NVIDIA DGX Spark 个人 AI 超算上完成了测试训练与推理工作流。

该全英污染预测模型不仅能评估潜在未来情景（如不同环保政策落地后的影响），还能赋能主动型医疗健康服务。例如，医疗机构可提前向哮喘等易感人群推送预警，告知未来数天所在区域的污染激增风险。团队还在探索将模型与边缘 AI 设备结合，接入实时空气数据以应对山火等突发事件。

从国家超算走向办公桌面

为了重训用于空气污染的 Earth-2 模型，曼大团队提取了一整年模拟的逐小时污染数据，构建出分辨率达 2 至 3 平方公里的高精度全英污染模型。

在由 5448 颗 NVIDIA GH200 Grace Hopper 超级芯片驱动、算力达 21 exaflops 的 Isambard-AI 超算上，团队仅动用一个 8-GPU 节点，耗时两天就完成了训练。布里斯托尔超算中心主任兼 Isambard-AI 联合创始人西蒙·麦金托什-史密斯（Simon McIntosh-Smith）指出，模型极高地利用了硬件效率，消耗的 GPU 运行机时相对较少，大幅削减了超算能耗。

未来，团队计划融合更多开放数据将精度提升至街区级别。更关键的是，这一生成式污染模拟工作流不仅能在超算上运行，还能在搭载 NVIDIA GB10 Grace Blackwell 芯片的 DGX Spark 桌面 AI 系统上执行推理和小规模重训。托平如今已经在办公室的桌面超算上日常调试模型，科研门槛被显著拉低。

开放科学与智能体愿景

曼大团队计划将空气污染模型的训练数据和工作流全面开源，帮助更多国家和城市利用本地数据建立高分辨率污染预测模型。

展望未来五年的应用形态，托平认为终极形态将是一个 AI 智能体（Agent）交互界面：临床医生或政府工作人员只需直接提问“明天这个街区的空气污染状况如何？”，背后的多模型系统便会自动串联推理，给出由严谨科学支撑的清晰答案。