反观夏国，直到月前，才由花瓣公司推出了第一个ai预测天气的模型——“盘古气象大模型”，距离投入实际的天气预测还需要付出艰辛的汗水与努力。

而欧洲气象中心在科研工作的日志记录、报告文档方面更是细致严谨，每份报告都经过几个人的共同署名，既避免了出现低级错误，也确保了不会被任何人随意修改内容而影响到报告的准确性。

这就是成立了近五十年、长期为欧洲成员国提供实时的中期天气预报积累下来极为规范的工作制度、工作流程，实在不是普通的实验室研究所能及得上的。

秦克觉得不少优点值得借鉴并引回到国内自己管理的研究室实验室之中。

当然，欧洲气象中心也存在着不少的问题，从这些资料就能看出清晰的端倪来。

比如欧洲气象中心很注重学科的专业化和分工的细化，不擅长学科之间的联动，这难免会影响到效率。

举个例子，若是他们想建立一个气象预测模型，他们需要找十几位分别擅长大气环流学、大气物理学、大气探测学、气象信息服务学、流体力学、数据处理、泛函分析、数据建模、气象预测等方面的专家教授来组成一个团队，过于专业的分工又会造成合作的割裂，影响到具体的配合和科研效率。

这方面较之夏国的流体力学实验室就明显逊色了。在秦克的指导下，夏国清木大学流体力学实验室的所有研究员，都尽可能地多掌握几个物理子科目知识和实验操作能力，并拥有运用数学工具进行数据建模的能力，这使得团队合作效率极高、相互补位也容易得多。

另一个问题就是，欧洲气象中心虽然很早就探索ai在天气预报中的作用，却一直没有投入太多的精力去解决ai凭借2d神经网络无法处理不均匀3d数据的关键问题，对于ai在数据处理中缺少数学物理机制约束而在迭代过程中不断积累迭代误差的问题也未能提出任何可行的解决方法，使得ai未能在天气预测中发挥出什么真正重要的作用。

这方面秦克开发的lv4微光就能甩开欧洲气象中心的ai几条街。

秦克一边细看各类报告、资料，一边分析着对方管理与科研工作中的优劣，择优而学之。

至于00g左右的数据，自然是用网络传回国内的青柠数据中心，让微光进行二次的分析整理了，有了前人的基础，微光的处理时间会缩短许多就是了。 本章未完，请点击下一页继续阅读！ 第2页/共4页