劃重點(diǎn)
01Google AI開(kāi)發(fā)了一個(gè)結(jié)合傳統(tǒng)天氣預(yù)報(bào)技術(shù)和機(jī)器學(xué)習(xí)的計(jì)算機(jī)模型，能更準(zhǔn)確地預(yù)測(cè)7天后的天氣。
02與現(xiàn)有的基于人工智能的預(yù)報(bào)工具相比，這個(gè)模型速度快、能耗低，且更詳細(xì)。
03然而，純機(jī)器學(xué)習(xí)方法在集合預(yù)報(bào)或長(zhǎng)期氣候預(yù)報(bào)方面可靠性較低。
04通過(guò)將物理學(xué)引入模型，研究團(tuán)隊(duì)能夠確保模型受到物理約束，避免做出不切實(shí)際的事情。
05未來(lái)版本中，研究團(tuán)隊(duì)計(jì)劃加入更多地球科學(xué)內(nèi)容，以提高模型的準(zhǔn)確性。
以上內(nèi)容由騰訊混元大模型生成，僅供參考
原文作者：Helena Kudiabor
更可靠、能耗更低的模型能幫我們更好地為極端天氣做準(zhǔn)備。
精確的預(yù)報(bào)有助于人們?yōu)闃O端天氣事件做好準(zhǔn)備，如熱帶風(fēng)暴。來(lái)源：NOAA/Getty
一個(gè)將傳統(tǒng)天氣預(yù)報(bào)技術(shù)和機(jī)器學(xué)習(xí)相結(jié)合的計(jì)算機(jī)模型，在預(yù)測(cè)天氣場(chǎng)景和長(zhǎng)期氣候趨勢(shì)方面優(yōu)于其他基于人工智能（AI）的工具。
于7月22日發(fā)表在《自然》上[1]，這個(gè)工具是首個(gè)生成準(zhǔn)確集合天氣預(yù)報(bào)（呈現(xiàn)一系列場(chǎng)景）的機(jī)器學(xué)習(xí)模型。它的開(kāi)發(fā)為預(yù)報(bào)打開(kāi)了一扇門(mén)，比現(xiàn)有的工具速度快、能耗低，而且比僅基于AI的方法更詳細(xì)。
“傳統(tǒng)氣象模型需要在超級(jí)計(jì)算機(jī)上運(yùn)行。而這是一個(gè)幾分鐘就能運(yùn)行的模型。”研究共同作者Stephan Hoyer說(shuō)，他在加利福尼亞州的Google Research研究深度學(xué)習(xí)。
目前的預(yù)報(bào)系統(tǒng)通常依賴于大氣環(huán)流模型（GCM），這些程序利用物理定律，模擬地球的海洋和大氣，預(yù)測(cè)它們可能如何影響天氣和氣候。但GCM需要大量的算力，而機(jī)器學(xué)習(xí)的進(jìn)步正在提供更高效的替代辦法。“我們擁有太字節(jié)乃至拍字節(jié)（十億字節(jié)的百萬(wàn)倍）的歷史天氣數(shù)據(jù)。” Hoyer說(shuō)。“通過(guò)從這些模式中學(xué)習(xí)，我們能建立更好的模型。”
現(xiàn)在已經(jīng)有一些機(jī)器學(xué)習(xí)的預(yù)報(bào)模型了，例如中國(guó)華為的盤(pán)古氣象，還有總部位于倫敦的DeepMind開(kāi)發(fā)的GraphCast。這些模型的準(zhǔn)確度與通常的確定性預(yù)報(bào)GCM（一種產(chǎn)生單一天氣預(yù)報(bào)的方法）差不多。但GCM在集合預(yù)報(bào)或長(zhǎng)期氣候預(yù)報(bào)方面沒(méi)那么可靠。
“純機(jī)器學(xué)習(xí)方法的問(wèn)題是，你只能用它已經(jīng)看過(guò)的數(shù)據(jù)來(lái)訓(xùn)練它。”在倫敦阿蘭圖靈研究所研究AI和環(huán)境數(shù)據(jù)的Scott Hosking說(shuō)。“氣候一直在變化，我們?cè)诓饺胛粗�，所以我們的機(jī)器學(xué)習(xí)模型必須推斷出未知的未來(lái)。通過(guò)將物理學(xué)引入模型，我們能夠確保我們的模型受到物理約束，不會(huì)做出不切實(shí)際的事情。”
混合模型
Hoyer和他的團(tuán)隊(duì)開(kāi)發(fā)訓(xùn)練了NeuralGCM，這個(gè)模型結(jié)合了“傳統(tǒng)基于物理學(xué)的大氣求解器的某些方面，和一些AI組件”，Hoyer說(shuō)。他們使用這個(gè)模型產(chǎn)生了短期和長(zhǎng)期的天氣預(yù)報(bào)，還有氣候預(yù)測(cè)。為了評(píng)估NeuralGCM的準(zhǔn)確性，研究者將它的預(yù)測(cè)和真實(shí)世界數(shù)據(jù)，以及和其他模型如GCM和純基于機(jī)器學(xué)習(xí)的輸出結(jié)果做了比較。
和現(xiàn)有機(jī)器學(xué)習(xí)模型一樣，NeuralGCM能產(chǎn)生準(zhǔn)確的短期確定性預(yù)報(bào)（提前1-3天），耗能只有GCM的一小部分。但它在產(chǎn)生超過(guò)7天的長(zhǎng)期預(yù)報(bào)時(shí)，比其他機(jī)器學(xué)習(xí)模型出錯(cuò)少得多。實(shí)際上，NeuralGCM的長(zhǎng)期預(yù)報(bào)近似于歐洲中期天氣預(yù)報(bào)中心的集合模型（ECMWF-ENS），后者被廣泛認(rèn)為是天氣預(yù)報(bào)的金標(biāo)準(zhǔn)。
研究團(tuán)隊(duì)還測(cè)試了這個(gè)模型預(yù)報(bào)不同天氣現(xiàn)象的能力，例如熱帶氣旋。他們發(fā)現(xiàn)，與NeuralGCM 和 ECMWF-ENS相比，許多純機(jī)器學(xué)習(xí)模型會(huì)產(chǎn)生不一致、不準(zhǔn)確的預(yù)報(bào)。研究者還比較了NeuralGCM和超高分辨率氣候模型全球風(fēng)暴解析模擬。NeuralGCM可以在較短時(shí)間里生成更現(xiàn)實(shí)的熱帶氣旋數(shù)量和軌跡。
能預(yù)測(cè)這類事件，“對(duì)改進(jìn)決策能力和準(zhǔn)備戰(zhàn)略非常重要”，Hosking說(shuō)。
Hoyer和同事熱切地想要優(yōu)化調(diào)整NeuralGCM。“我們一直在研究建模地球系統(tǒng)的大氣成分……這可能是最直接影響每天天氣的部分。” Hoyer說(shuō)。他補(bǔ)充說(shuō)，研究團(tuán)隊(duì)想要在未來(lái)的版本中加入更多地球科學(xué)內(nèi)容，進(jìn)一步提高模型的準(zhǔn)確性。
參考文獻(xiàn)：
原文Google AI predicts long-term climate trends and weather in minutes標(biāo)題發(fā)表在2024年7月23日《自然》的新聞版塊上
nature
Doi：10.1038/d41586-024-02391-9
