建模是指建立地球与大气状态的物理模型，通常是用一组偏微分方程来描述大气状态和运动的基本规律，其他因素也需要被考虑，比如地表是草原还是积雪，地形如何等等，因为会对热量和气流有影响。
有了模型之后，还需要初始参数。通过气象卫星、雷达、探空仪、地面气象站等手段，对不同高度的气压、气温、湿度、风速、风向进行观测。
最后通过超算建立全球大气模型，将模型划分为一个个网格，将观测到的气象参数作为网格的初始状态参数，然后根据物理方程计算这些参数随时间的变化。
通常，模型的预测精度取决于科学家考虑哪些因素，划分多大的网格，想要求解的时间步长是多少。
网格画得越精细，所能预报的气象规模也就越小，时间步长越小，也就能对越近的未来进行预报。
然而，没有模型可以将所有因素全部囊括其中，网格画得太细或者步长取得太小也都不现实，因为计算量会激增，有时候甚至无法求解。因此，建模从本质上来说，也是对超算计算能力的直观体现。
想必你我也能感受到，现代天气预报越来越准了，同时预测精度也在提高，那是因为超算的计算速度在不断拔升，但超算总有瓶颈，对于小区域内的短时间预报还是力有不逮，存在明显的精度不够问题。
我们生活在没有发生剧烈气候变化的环境中，对这个精度要求可能没有感同身受的体会，但对于在海上谋生的渔民来说，短临天气预报是真正可以救命的提示。
台风、海浪，种种天气预报的数值于普通人而言，可能只是一堆数据，但对渔民来说，那是今天是否应该出海，是否能够有所收获，甚至是否能够活着回来。
预报每提前一分钟，每精确一点点，背后都是活生生的人，因为大海从不仁慈。
在这场与“风云数据”的对决中，就需要更快的计算速度和智能性的AI来进行分析。
我把生物脑的第一个测试项目用在天气预报上面，就是基于这个考量。生物脑不仅有超强的运算能力，还有极大的储存空间，可以让程序员们编写出一个智能性极高的AI来进行逻辑运算。
AI能够通过深度学习大量的气象历史数据，帮助科学家寻找预测的线索和依据，推演未来可能的变化情况，从而为人工预报提供强有力的辅助。
如果连这样繁复庞大的数据都能无障碍处理，那处理其他事就不在话下了。
刘元一番话
…。。