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

“GraphCast目前在AI模型的競(jìng)賽中處于領(lǐng)先地位?！泵绹?guó)加州大學(xué)洛杉磯分校計(jì)算機(jī)科學(xué)家Aditya Grover說。

預(yù)測(cè)天氣是一項(xiàng)復(fù)雜且耗費(fèi)大量能源的任務(wù)。全球氣象機(jī)構(gòu)使用的標(biāo)準(zhǔn)方法被稱為數(shù)值天氣預(yù)報(bào)（NWP），是一種基于物理原理的數(shù)學(xué)模型。它利用超級(jí)計(jì)算機(jī)處理來自全球的浮標(biāo)、衛(wèi)星和氣象站天氣數(shù)據(jù)。這些計(jì)算能準(zhǔn)確描繪出熱量、空氣和水蒸氣如何在大氣中移動(dòng)，但其運(yùn)行是昂貴且能源密集型的。

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

歐洲中期天氣預(yù)報(bào)中心（ECMWF）的Matthew Chantry表示，機(jī)器學(xué)習(xí)正在推動(dòng)天氣預(yù)報(bào)領(lǐng)域的一場(chǎng)革命。美國(guó)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(yùn)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(cè)結(jié)果留出更多時(shí)間。

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

經(jīng)過訓(xùn)練的模型根據(jù)全球天氣的“當(dāng)前”狀態(tài)和6小時(shí)前的天氣預(yù)報(bào)來預(yù)測(cè)未來6小時(shí)的天氣。早期的預(yù)測(cè)被反饋到模型中，使其能夠?qū)ξ磥硖鞖庾鞒鲞M(jìn)一步的估計(jì)。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(cè)，在不到1分鐘的時(shí)間預(yù)測(cè)未來10天的天氣，而且比ECMWF的高分辨率預(yù)報(bào)系統(tǒng)（HRES）更準(zhǔn)確，后者是NWP的一個(gè)版本，需要數(shù)小時(shí)才能得出結(jié)果。

DeepMind計(jì)算機(jī)科學(xué)家Remi Lam表示，在完成的1200次預(yù)測(cè)中，GraphCast在99%以上的預(yù)測(cè)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(bào)都優(yōu)于HRES。

GraphCast預(yù)測(cè)了靠近地球表面的5個(gè)天氣變量如離地面2米的氣溫，以及離地面更遠(yuǎn)的6個(gè)大氣變量如風(fēng)速。Chantry指出，GraphCast在預(yù)測(cè)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(biāo)的評(píng)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(biāo)對(duì)其性能進(jìn)行評(píng)估可能會(huì)導(dǎo)致不同的結(jié)果。

“機(jī)器學(xué)習(xí)模型仍處于實(shí)驗(yàn)階段，它不會(huì)完全取代傳統(tǒng)方法，而是可以提高標(biāo)準(zhǔn)方法不擅長(zhǎng)的特定類型的天氣預(yù)測(cè)質(zhì)量，比如預(yù)測(cè)幾小時(shí)內(nèi)的降雨量。”Chantry說，“我預(yù)計(jì)，人們還需要2年到5年的時(shí)間，才能利用機(jī)器學(xué)習(xí)方法進(jìn)行預(yù)測(cè)，進(jìn)而在現(xiàn)實(shí)世界中作出決策。”

與此同時(shí)，機(jī)器學(xué)習(xí)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?yàn)闆Q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(shí)，AI模型也有放大訓(xùn)練數(shù)據(jù)偏差的風(fēng)險(xiǎn)，并且需要大量的能量進(jìn)行訓(xùn)練，盡管它們消耗的能量比NWP模型要少。