IBM 联手 NASA 开源 Prithvi WxC：基于 40 年观测数据的气候大模型

Prithvi WxC 是 IBM、NASA 和橡树岭国家实验室联合打造的气象与气候开源基础模型，现在已经可以在 Hugging Face 上直接下载权重和代码。

它不是那种只能输出明天几度、下不下雨的单一预测工具，而是一个可适应多种尺度和气象任务的底座模型，既能跑全球范围的宏观模拟，也能微调到某个区域做精准分析。

它能做什么

大多数现有的气象 AI 往往盯死在单一预测任务上，而 Prithvi WxC 更像是一个能应对复杂场景的多面手。

在发布基础底座的同时，团队在 Hugging Face 上同步放出了两个微调版本，分别解决气象和气候科研里的硬骨头。

第一个微调版本针对数据降尺度。在气象学里，把低分辨率输入推算成高分辨率结果是日常需求。该模型能把气温、降水、地表风场等数据分辨率提升最高 12 倍，用来生成非常局地的天气预报和长期气候推演。

第二个微调版本用于大气重力波参数化。重力波在大气中无处不在，直接影响云的形成甚至飞机颠簸，但传统数值气候模型很难精准捕捉它。这个微调模型能帮助科研人员更准确地估算重力波生成，从而减少气候推演里的不确定性。

除此以外，加拿大环境与气候变化部已经在测试它的灵活性，尝试把实时雷达数据喂给模型，用来做短时强降水临近预报，并把 15 公里的全球预报降尺度到公里级别。

在 arXiv 公布的论文实验中，Prithvi WxC 还有一个亮眼表现：仅仅随机抽取全球 5% 的原始地表温度数据，它就能准确重建出完整的全球地表温度场，显示出在数据同化方面的潜力。

怎么做到的与去哪试

Prithvi WxC 的核心底气来自数据和算力架构。它基于 NASA Modern-Era Retrospective analysis for Research and Applications 第 2 版，也就是 MERRA-2 积累的 40 年地球观测数据进行预训练。

橡树岭国家实验室的国家计算科学中心参与了算力与模型研发支持，最终让模型具备了支持全球、区域和局地多尺度任务的架构。

基础模型和重力波参数化版本已经上架 Hugging Face 的 NASA-IBM 组织主页，降尺度微调模型则托管在 Hugging Face 的 IBM Granite 页面下。相关的研究论文《Prithvi WxC: Foundation Model for Weather and Climate》也已经在 arXiv 上公开。

为什么重要

气象科研机构、防灾部门以及需要评估极端气候风险的能源和农业团队，最应该关注并测试这个模型。它最大的价值在于省去了从头预训练地球级大模型的巨大门槛，让专业机构能直接基于 40 年的数据底座微调自己的垂直应用。

我们认为，Prithvi WxC 走出了一条和很多商用预测模型不同的路子。它没有把精力耗在卷短期的刷榜预报上，而是选择把通用基础底座和最棘手的降尺度、重力波难题做成开源工具。这种做法不仅实用，也真正拓展了 AI 在地球科学研究里的边界。