人工智能（AI）公司Google DeepMind開發(fā)的機器學習模型GraphCast，在“3至10天的中期氣象預(yù)測領(lǐng)域”展現(xiàn)了超越傳統(tǒng)模型和其他AI方法的準確率和效率。相關(guān)研究11月14日發(fā)表于《科學》。

“GraphCast目前在AI模型的競賽中處于領(lǐng)先地位。”美國加州大學洛杉磯分校計算機科學家Aditya Grover說。

預(yù)測天氣是一項復(fù)雜且耗費大量能源的任務(wù)。全球氣象機構(gòu)使用的標準方法被稱為數(shù)值天氣預(yù)報（NWP），是一種基于物理原理的數(shù)學模型。它利用超級計算機處理來自全球的浮標、衛(wèi)星和氣象站天氣數(shù)據(jù)。這些計算能準確描繪出熱量、空氣和水蒸氣如何在大氣中移動，但其運行是昂貴且能源密集型的。

為降低天氣預(yù)測的資金和能源成本，幾家科技公司開發(fā)了機器學習模型，可以根據(jù)過去和當前的天氣數(shù)據(jù)快速預(yù)測未來的全球天氣狀況。其中包括DeepMind、英偉達（Nvidia）和華為，以及一系列初創(chuàng)企業(yè)。

歐洲中期天氣預(yù)報中心（ECMWF）的Matthew Chantry表示，機器學習正在推動天氣預(yù)報領(lǐng)域的一場革命。美國科羅拉多州大氣合作研究所數(shù)據(jù)可視化研究員Jacob Radford說，AI模型的運行速度比傳統(tǒng)的NWP模型快1000到10000倍，這能為解釋和傳播預(yù)測結(jié)果留出更多時間。

研究人員首先利用物理模型對1979年至2017年的全球天氣預(yù)測來訓練GraphCast，這使得后者能夠了解諸如氣壓、風、溫度和濕度等天氣變量之間的聯(lián)系。

經(jīng)過訓練的模型根據(jù)全球天氣的“當前”狀態(tài)和6小時前的天氣預(yù)報來預(yù)測未來6小時的天氣。早期的預(yù)測被反饋到模型中，使其能夠?qū)ξ磥硖鞖庾鞒鲞M一步的估計。DeepMind的研究人員發(fā)現(xiàn)，GraphCast可以根據(jù)2018年的全球天氣預(yù)測，在不到1分鐘的時間預(yù)測未來10天的天氣，而且比ECMWF的高分辨率預(yù)報系統(tǒng)（HRES）更準確，后者是NWP的一個版本，需要數(shù)小時才能得出結(jié)果。

DeepMind計算機科學家Remi Lam表示，在完成的1200次預(yù)測中，GraphCast在99%以上的預(yù)測中都優(yōu)于HRES；而在大氣的所有層面，該模型90%的天氣預(yù)報都優(yōu)于HRES。

GraphCast預(yù)測了靠近地球表面的5個天氣變量如離地面2米的氣溫，以及離地面更遠的6個大氣變量如風速。Chantry指出，GraphCast在預(yù)測惡劣天氣事件方面也被證明是有用的，如熱帶氣旋的路徑，以及極端高溫和低溫事件。

Chantry指出，雖然基于某些指標的評估，GraphCast的性能優(yōu)于研究中的其他模型，但未來使用其他指標對其性能進行評估可能會導(dǎo)致不同的結(jié)果。

“機器學習模型仍處于實驗階段，它不會完全取代傳統(tǒng)方法，而是可以提高標準方法不擅長的特定類型的天氣預(yù)測質(zhì)量，比如預(yù)測幾小時內(nèi)的降雨量?！盋hantry說，“我預(yù)計，人們還需要2年到5年的時間，才能利用機器學習方法進行預(yù)測，進而在現(xiàn)實世界中作出決策?！?/p>

與此同時，機器學習方法的問題必須得到解決。Grover說，與NWP模型不同，研究人員不能完全理解像GraphCast這樣的AI是如何工作的，因為決策過程發(fā)生在AI的“黑匣子”中?！斑@讓人質(zhì)疑它們的可靠性?！蓖瑫r，AI模型也有放大訓練數(shù)據(jù)偏差的風險，并且需要大量的能量進行訓練，盡管它們消耗的能量比NWP模型要少。