近年来，AI技术在气象预报与海洋模拟领域得到广泛应用。FourCastNet、GraphCast等全球天气预报模型，以及清华科研团队自主研发的全球海洋大模型AI-GOMS，其预测速度远超传统方法，为防灾减灾、气候变化研究提供了强大工具。然而，这些模型背后存在硬件成本高昂、供应链不确定等问题，且长期面临能耗挑战。发展自主可控的国产AI算力底座，已成为关乎国家科技战略安全与科研独立性的关键一环。

清华大学地球系统科学系黄小猛教授课题组近期实现了对多个主流大气与海洋AI模型的国产化迁移与优化，为核心模型的自主可控部署提供了可行的技术路径与实证案例。该研究成果以“在中国国产硬件和框架上部署大气和海洋人工智能模型：迁移策略、性能优化与分析”（Deploying Atmospheric and Oceanic AI Models on Chinese Hardware and Framework: Migration Strategies, Performance Optimization and Analysis）为题，被人工智能会议 AAAI 2026 - Innovative Applications of AI Conference接收。

研究团队聚焦于解决“用起来”的工程难题，系统性地构建了一套从模型迁移、硬件适配到性能评估的完整方案。在模型迁移上，团队以华为MindSpore框架为目标，对基于PyTorch的模型结构进行了重构与算子适配，通过等效替换、自定义开发等方式，确保了模型在国产平台上的功能正确性。在性能优化上，团队针对华为昇腾910b等国产芯片的架构特点，利用混合精度、分布式训练等技术，充分挖掘硬件潜力，提升了运行效率。

图1 基于不同国产芯片框架的大气和海洋AI模型迁移和优化框架

经过系统性的实验验证，迁移优化后的模型在昇腾910b平台上模型训练速度与英伟达A100相当，差异小于5%。在保持高性能的同时，昇腾平台训练能耗降低约10-15%；曙光DCU在推理任务中的能效比提升超过30%，适合长时间、大规模的预测业务。在精度方面，模型在国产平台上的预测结果与原始版本基本一致，确保了科研与业务应用的可靠性。

图2 海洋大模型在不同芯片框架上的训练效率对比

该研究突破了模型跨框架迁移、算子适配、分布式训练优化等关键技术瓶颈，形成了一套完整的国产化适配方法论，为后续各类科学计算模型的移植工作提供了重要参考。研究成果验证了国产AI芯片及框架在复杂科学计算场景下的应用潜力，为国产硬件在高端计算市场的拓展提供了实证支持，有助于推动建立更加完善和健壮的国产AI计算生态。

清华大学地球系统科学系博士生孙语泽为论文第一作者，黄小猛教授为论文通讯作者。论文合作者包括华为技术有限公司主任工程师罗文涛，清华大学地球系统科学系博士生向妍霏、潘建成、李佳皓，助理研究员张权。研究受到国家重点研发计划和国家自然科学基金资助。

论文链接：https://arxiv.org/abs/2510.17852

扫码获取：

供稿：孙语泽黄小猛

编辑：王佳音

审核：耿睿