曼彻斯特大学团队与 NVIDIA Earth-2 团队合作，开发出一款基于人工智能的模型，用于模拟和预测英国全境的空气污染，空间分辨率介于 2 至 3 公里之间。该项目旨在降低传统模型的高昂计算成本，因为传统模型会结合天气数据与大气中的化学反应。
这项工作由曼彻斯特大学地球与环境科学系教授 David Topping 负责。团队使用化学—气候模拟生成的污染数据，覆盖全年、时间间隔为每小时，随后训练 Earth-2 CorrDiff 模型，以生成污染物分布的更详细地图。据 NVIDIA 称，该模型首次训练便取得成功。
从化学模拟到快速预测
传统空气质量模型需要进行密集计算，因为它们将大气化学过程纳入天气模型，这限制了细节水平和运行次数。曼彻斯特团队尝试使用 NVIDIA 开发的生成式人工智能天气与气候框架，旨在处理污染“场”，而不是以传统方式计算每一项反应。
训练在布里斯托尔的英国超级计算机 Isambard-AI 上进行，使用了一个配备八个图形处理器的节点。该系统搭载 5,448 个 NVIDIA GH200 Grace Hopper Superchip，官方公布的人工智能负载性能为 21 艾可萨弗洛普。根据已发布的材料，训练耗时两天。
团队随后加入 Earth-2 StormCast 模型，以生成基于时间的预测，并直接使用空气质量观测数据。研究人员还展示了在搭载 GB10 Grace Blackwell 芯片的桌面系统 NVIDIA DGX Spark 上进行训练和推理的流程。Topping 表示，在办公室配备 DGX Spark 后，他可以重新训练模型并进行规模更小的训练，而无需使用超级计算机。
为什么这一进展很重要？
材料称，空气污染导致英国去年约有 3 万人死亡，因此改善预测与公共健康有直接关系。医疗服务可能利用这些预测，通知哮喘等疾病患者：其所在地区明天或下一周预计会出现污染上升。
团队还在测试将模型连接到边缘人工智能设备，使其接收实时空气质量测量数据。提出的应用包括在野火期间支持快速决策，以及利用该模型模拟政府可能采取的污染相关政策变化所产生的影响。
实际发生了哪些变化？
最显著的变化是，工作流程从高成本的集中式运行转向一种至少可以在桌面设备上运行推理和部分训练的模型。团队计划通过整合更多公开数据，将模型精度提升到街道级别；同时还计划以开源方式发布训练数据和工作流程，使其他国家和城市能够利用自身数据构建本地模型。
不过，材料没有提供与传统化学模型相比的详细预测精度定量结果，也尚未证明已有医疗服务或公共预警系统依赖该模型运行。因此，关于实时预测和临床应用的承诺仍是正在探索的目标，而非已经提供的服务。目前，该项目的重要性在于展示将 Earth-2 框架迁移到空气污染领域的可行性，并降低使用建模工具的门槛；但独立验证、本地数据质量以及开放资源的发布时间，仍是需要回答的问题。