青年科学家AI整活，青藏高原和太阳耀斑都没放过

青藏高原，是世界屋脊、亚洲水塔，是地球第三极，同时也是未来全球气候变化影响中不确定性最大的地区之一。

过去五十年，青藏高原气候变暖幅度是同期全球平均值的2倍，这不仅改变了冰川等固态水与湖泊、河流等液态水的库存比例，还因区域大气环流的变化重塑了青藏高原水体的空间分布格局。

这种现象被称为“亚洲水塔失衡”。

这一变化会加剧水资源供给、能源供需以及粮食生产之间的不确定性。这三者之间相互依存、相互影响的关系被称为“水-能-粮耦合”。

有一群来自中国科学院的科学家，试图用AI更准确地判断气候变化，以及对水能源和粮食之间的耦合关系，90后夏萃慧就是其中之一。

从英语专业到自然地理学博士

她用“AI打败AI”

夏萃慧是中国科学院青藏高原研究所的一名助理研究员。本科学的是英语，硕士读了同声传译，最后机缘巧合成了一名自然地理学博士，一头扎进了对亚洲水塔的研究。

过去50年在青藏高原气候变暖幅度高于全球平均值2倍，对地球最明显的影响之一，是导致青藏高原的水体发生了显著变化。

简单来说，水存在的形态可能是冰川，可能是降水，也可能是湖泊，这些形态按一定的比例存在。不过因为“亚洲水塔失衡”，导致这个比例发生了变化，同时这些水在不同区域分布也变了。

“比如原来我们可能觉得北边的水少，南边相对水会多，现在这个趋势也在逆转。”夏萃慧说。

气候变化临界点，即突破某一自然阈值会引发一系列连锁反应，导致地球系统和社会经济状态发生快速且不可逆的变化。

青藏高原的生态重要性毋庸置疑，水资源的改变，影响的不只是喝水用水的问题，也改变了包括水力发电在内的能源生产和能源调度，同时对粮食生产造成了各种不确定性。

去年，夏萃慧所在的中国科学院青藏高原研究所，联合阿里云研发了首个专注于气候变化适应领域水-能-粮多模态推理大模型——洛书。

夏萃慧说，开发洛书大模型的目的，是希望能更准确地判断气候变化对水，尤其是对水电站的来水的影响，以便于更好地适应气候变化。

洛书模型集成训练并整合了科研人员自主研发的可解释AI驱动水能耦合模型“思源”（Hydro Trace），通义千问最新推理模型Qwen-QwQ-32B和通义千问多模态大模型Qwen2.5-VL。

图示-洛书时空注意力可视

科学模型每天产生出海量数据，比如在季风期是什么样的影响，非季风期有什么样的影响。但具体到每一个水电站，需要科学家人工去一一分析，这个成本非常高。

“如果把时间花在这个事情上，就没有时间干别的，也没有现成的任何软件能够帮我来分担这个事情。”夏萃慧说。

她想到的一个办法：用“AI打败AI”。

只要把科学模型的数据交给通义千问推理模型，做简单的微调后，推理模型就能根据数据结构和微调逻辑，还原推理的过程。

“你能看到它思考的每一步，这点在现实生产中应用中非常关键。”夏萃慧说，因为科研工作需要完整的链式思考能力，而不是给我一个黑箱模型，我就听你的。

洛书大模型不仅能描绘水文过程时空变化，对关键来水点径流进行时空溯源和量化归因，还能基于溯源归因数据开展大模型推理，动态支持跨越多个时空尺度的水-能-粮系统联动分析，为产业用户提供个性化的气候适应策略沙盘推演生成与验证服务。

它的核心创新在于时空特征注意力算法。融合该算法的思源模型在青藏高原复杂水文环境下的多点模拟准确率高达98%（国际领先水平），较传统方法提升近20%。

大模型能预测太阳耀斑吗？

00后天文学家：准确率95%

耀斑，太阳最剧烈的活动现象之一，每隔11年就会有大爆发。一次典型的X级耀斑，能在几十分钟时间里释放出相当于100亿颗氢弹同时爆炸所释放的能量。

为了破解耀斑爆发之谜，过去很多科学家从耀斑演化的物理过程进行研究，希望透过物理机理寻找爆发先兆。近年来，学者们从数据驱动角度出发，用统计方法、机器学习、深度学习等技术开展研究。然而，随着观测数据的不断积累和数据特征维度的不断增加，模型拟合与模式发现对算法规模的要求越来越高，研究人员亟须对海量多模态数据进行有效处理以探索太阳耀斑之谜。

大模型能预测太阳耀斑吗？

中国科学院国家天文台的科研人员，正在探索用AI技术向太阳这颗火热的恒星寻求更多科学要义。

位于北京的怀柔观测基地，拥有目前世界上持续时间最久的太阳矢量磁场观测资料，每一幅太阳观测图像都可以转化为“一段语言描述”，而大语言模型在预测“下一段语言文字”方面具有良好的准确率，科学家们要做的是引导大模型对观测数据进行准确地描述、分析，进而实现模式、趋势的发现和预测。

金乌大模型应运而生。在Qwen2系列模型的基础上，国家天文台科研团队通过监督学习、强化学习，训练模型“能够理解、回答太阳物理问题”和“能够认识、分析太阳图像”等基本能力。大模型用于分析、预测太阳耀斑，在X级耀斑的预测上，达到了95%的准确率和100%的真实阳性率。

图示-“金乌”模型网络结构图

在中国科学院国家天文台位于河北的观测台——兴隆观测站，随着“星语3.0”接入观测站望远镜阵列，天文科学家们已经开启了智能观测。

00后李瑀旸是金乌·太阳大模型的核心技术人员，同时作为国家天文台人工智能组成员，李瑀旸也是天文大模型“星语”的主要负责人之一。

李瑀旸大学本科学的是应用物理学，并开始接触天文以及核物理，现在主读的专业应该是天体物理学。李瑀旸所在的星语团队，主要由一群硕博生组成，平均年龄在22岁到28岁之间。

“星语3.0”是基于阿里云通义千问开源模型打造的天文学大模型，去年，成功接入国家天文台兴隆观测站望远镜阵列—Mini“司天”。目前星语的底座模型已从Qwen2.0升级至QwQ-32B。

对于星语模型，李瑀旸更愿意定义其为天文科学家们的助手，而不是大模型。

比如星语巨身智能望远镜，是一个为节省观测值班人员以及为多望远镜联动打下基础的一个系统。

天文望远镜是人类探索宇宙的“照相机”。相比单体望远镜，大型望远镜阵列能更有效地整合高性能望远镜资源，成本更低，观测效率更高。

以往天文观测主要依赖观测助手和科研人员的配合。科研人员往往需要根据观测所在地气象情况修改观测计划，在观测室等待数据返回并实时分析数据，再根据结果修改观测计划。重要观测目标的每个环节都需要人工参与，效率低且难以同时控制多个望远镜。

“预计能够节省研究人员90%左右的观测时间。”李瑀旸说，以往观测值班人员需要全程待在值班室，处理一系列的预处理、观测等工作。但现在只要跟星语说：开始观测。星语会根据前面接收到的智能工作流，自动制订当天观测计划，并在规定时间开启当天的望远镜观测，并且自动进行数据处理，全程不需要人工干预。

正在上天、入地和下海的AI

凝望海拔4500米的青藏高原冰川，AI大模型正在深入理解“亚洲水塔失衡”对能源粮食生产的影响；距离地球38万公里的月球表面，大模型正在智能分析判断月球撞击坑的形态、大小、年代；在兴隆观测站，“会思考”的天文望远镜阵列已开启自主观测新时代……

“‘赋能’这个词低估了人工智能对科学的颠覆，对科学来说，人工智能不是一次工具的革命，而是一次科学革命的工具。”

最近，由世界互联网大会人工智能专业委员会主办的“人工智能赋能科学研究研讨会”上，专委会首席主任委员、中国工程院院士、之江实验室主任王坚说。

王坚举了一个例子：大概在1948年，一个地球科学家写了一句话，当时还没有卫星，没有人知道从外太空看地球是什么样子。他说如果有人从外太空拍一张照片，我们对这个世界的观念会有一次翻天覆地的变化。

30年以后，人类才第一次从外太空拍到了地球的照片。一张是阿波罗18号，另一张是阿波罗17号。

“原本是去探索月球，无意间拍到了一颗蓝色星球，那就是地球。我们从来不知道地球是蓝色的，这个全新的认识推动了一个学科的产生，就是地球系统科学的诞生。”

王坚说，今天看到的所有宇宙照片，都不是拍照就能留下来的，而是后来通过计算看到。

最近，中国科学院多个研究所已接入阿里千问QwQ-32B，在能源管理、天文观测、深空探测等领域取得系列突破，推出多款基于通义千问的人工智能大模型，将前沿科技与实际问题深度融合，开启了“AI for Science”的征程。

除了中国科学院青藏高原研究所联合阿里云发布多模态大模型“洛书”、国家天文台发布的天文大模型“星语”和太阳物理大模型“金乌”，面对南海珊瑚礁退化这一全球性挑战，南海海洋研究所研发的“瑶华”大模型，通过分析10万张水下影像，实现珊瑚种类识别准确率88%，效率较人工提升数十倍。

文 | 沈积慧