NASA与IBM合作推出开放式AI模型，提升耀斑预测准确率16%。

说起太阳耀斑，也许并非每一位读者都对这个名字熟悉，但说到极光，这一美丽而梦幻的自然景观，其实就与太阳耀斑有着千丝万缕的联系。

每一次太阳耀斑与日冕物质抛射（coronal mass ejection, CME）都可能影响卫星姿态、深空通信、极区航线、甚至电网稳定。以往要么靠经验特征工程加传统机器学习，要么依赖高代价数值物理模型，二者在时效、泛化和可复用性上都有限。

现在，NASA 把 AI 「基础模型（foundation model）」的范式搬到日地物理：用统一大模型吸收长期、多通道的太阳观测，做生成式预测，再按需微调到具体下游科学任务上，目标很明确——更快、更准、可复用、可开放。

太阳物理基础模型

Surya 太阳物理基础模型由 NASA 科学数据办公室（OCSDO）旗下 IMPACT AI 团队牵头，联合 IBM Research 与多家科研机构共同研发。它采用太阳动力学观测台（SDO）的近 9 年高分辨率多仪器数据进行预训练，并对未来太阳活动进行生成式视觉预测，最长可滚动到小时级乃至更长时间窗，在多个下游任务上达到或超过当前最好水平。

相关报道：https://science.data.nasa.gov/features-events/inside-surya-solar-ai-model

图 1：创建 Surya 的过程。

数据来自 SDO 的AIA（大气成像组件）8 个波段与 HMI（日震与磁像仪）5 种产物，覆盖约 2010–2019 年、接近一个太阳活动周。通过训练，Surya 能够生成未来两小时内的太阳耀斑视觉预测，标志着使用人工智能进行操作空间天气预报的重要一步。这些初步结果比现有基准高出 16%。

与需要大量标注的传统 AI 系统不同，Surya 可以从原始太阳模型中直接学习基础架构，并快速适应新的任务和应用。

图 2：用于训练 Surya 的太阳观测台图像。

NASA 华盛顿总部首席科学数据官Kevin Murphy表示，「通过在 NASA 的太阳物理数据上训练一个基础模型，我们使分析太阳行为的复杂性变得前所未有的快速和精确。这一模型赋予了我们更广泛地理解太阳活动如何影响我们依赖的地球上的关键系统和技术的能力。」

不止于纸面的能力

除开先前已经提到过的 Surya 相比现有强基线方法最多提升约 16%之外，利用多通道 SDO 观测，Surya 的下游微调可将风速预测拓展到最长 4 天前瞻，并且在活动区分割上，Surya 的下游表现也优于 UNet 基线。

在「看得见」的层面，Surya 可以生成最多约两小时后太阳盘面的视觉预测，便于人类研究者直接比对与诊断；在「用得上」的层面，它不仅开放在Hugging Face（权重+预处理+示例），代码也同步托管到 GitHub，方便学界与产业界快速复用与微调。

和一次一做的「单任务模型」不同，Surya 把长期、跨通道的太阳观测转化为一个可泛化的表征底座，再把下游任务（耀斑分类、风速回归、活动区分割、光谱预测……）当成「轻量微调」的应用层。这种「先学通用物理表征、再做专科任务」的路线，是把地球科学里的基础模型经验移植到日地物理的标志性进展。

图 3：真实太阳活动与 Surya 的预测。（上：真实图片；下：预测图片）

虽然 Surya 旨在研究太阳，但其架构和方法论在各个科学领域具有适应性。从行星科学到地球观测，该项目为不同领域的类似人工智能努力奠定了基础性基础设施。它是 NASA 更广泛的开放访问、人工智能驱动科学工具开发计划的一部分，旨在降低参与门槛，带来更多发现。

数据与模型：https://huggingface.co/nasa-ibm-ai4science/Surya-1.0

写在最后：把「太阳天气」做成工程化 AI

从「能看懂太阳盘面细节」到「能泛化到不同任务」，Surya 让日地物理的很多「分散努力」开始有机会合流到一个开放的基础模型上。

对学界，它是可复现实验的共享底座；对应用方，它是更快、更稳、更可解释的「早知道」；对整个社区，它是「把 AI 变成科学工具」的一次系统化演示。下一步，随着更多地面/空间台站数据与跨域知识注入，这个「读懂太阳」的底座还会越练越强。

原文链接：https://science.nasa.gov/science-research/artificial-intelligence-model-heliophysics/