研究人员称，人工智能天气和气候模型将改变预报的未来
据其创建者介绍，一种新的天气预报和未来气候预测系统利用人工智能（AI）实现与现有最佳模型相当的结果，同时消耗更少的计算机能力。在《自然》杂志上发表的一篇论文中，来自谷歌、麻省理工学院、哈佛大学和欧洲中期天气预报中心的研究人员表示，他们的模型提供了巨大的“计算节省”，并且可以“增强对理解和预测地球系统至关重要的大规模物理模拟”。
NeuralGCM 模型是一系列研究模型中的最新一个，这些模型利用机器学习的进步来更快、更便宜地进行天气和气候预测。
什么是 NeuralGCM？
NeuralGCM 模型旨在将传统模型的最佳特性与机器学习方法相结合。
从本质上讲，NeuralGCM 是一种所谓的“大气环流模型”。它包含对地球大气物理状态的数学描述，并能求解复杂的方程来预测未来会发生什么。
然而，NeuralGCM 还利用机器学习（一种在海量数据中寻找模式和规律的过程）来研究一些不太为人所知的物理过程，例如云的形成。这种混合方法确保机器学习模块的输出符合物理定律。
由此得出的模型可用于提前几天和几周预测天气，以及提前几个月和几年预测气候。
研究人员使用一套名为WeatherBench 2的标准化预测测试，将 NeuralGCM 与其他模型进行了比较。对于三天和五天的预报，NeuralGCM 的表现与其他机器学习天气模型（如盘古和GraphCast）相当。对于十天和十五天的长期预报，NeuralGCM 的准确率与现有的最佳传统模型相当。
NeuralGCM 在预测不太常见的天气现象（例如热带气旋和大气河流）方面也相当成功。
为什么要进行机器学习？
机器学习模型基于算法，算法会学习输入数据中的模式，然后利用这种学习进行预测。由于气候和天气系统非常复杂，机器学习模型需要大量历史观测和卫星数据进行训练。
训练过程非常昂贵，需要大量的计算机能力。然而，模型训练完成后，用它来进行预测既快又便宜。这是它们对天气预报的吸引力很大一部分。
训练成本高、使用成本低，这与其他类型的机器学习模型类似。例如，据报道，GPT-4花了几个月的时间进行训练，花费超过 1 亿美元，但可以在几分钟内响应查询。
机器学习模型的一个弱点是，它们经常在陌生的情况下（或者在这种情况下，极端或前所未有的天气条件）表现不佳。要做到这一点，模型需要能够概括，或者在其训练数据之外进行推断。
NeuralGCM 在这方面的表现似乎优于其他机器学习模型，因为它基于物理的核心提供了一些现实基础。随着地球气候变化，前所未有的天气状况将变得更加常见，我们不知道机器学习模型能否跟上形势。
目前还没有人真正使用基于机器学习的天气模型进行日常预报。然而，这是一个非常活跃的研究领域——无论如何，我们可以确信未来的预报将涉及机器学习。
页:
[1]