2023 年 7 月 3 日，地球表面以上 2 米處記錄的全球平均氣溫首次超過了 17 攝氏度，是有記錄以來的最高溫度。除了人類活動(dòng)，強(qiáng)勢(shì)的“厄爾尼諾”也是今夏全球高溫加劇的罪魁禍?zhǔn)字弧?/p>

圖｜地球表面以上 2 米處的全球平均氣溫（來源：緬因大學(xué)）

高溫不僅會(huì)導(dǎo)致部分地區(qū)停業(yè)、停產(chǎn)，給當(dāng)?shù)貛斫?jīng)濟(jì)損失，也會(huì)危害我們的身體健康，甚至死亡，比如因長時(shí)間暴露在高溫環(huán)境下引起的熱射病等。

除了異常高溫，近年來頻發(fā)的海嘯、臺(tái)風(fēng)（颶風(fēng)）、洪水、冰雹等極端天氣，也同樣會(huì)對(duì)人類的經(jīng)濟(jì)生活造成難以估量的負(fù)面影響。

據(jù)世界銀行估計(jì)，在全球范圍內(nèi)，改進(jìn)的氣象預(yù)測和預(yù)警系統(tǒng)不僅可以拯救數(shù)萬人的生命，還可以帶來每年 1620 億美元的經(jīng)濟(jì)效益；另外，在過去 50 年中，超過 34% 的記錄災(zāi)害、22% 的相關(guān)死亡人數(shù)（101 萬人）和 57% 的相關(guān)經(jīng)濟(jì)損失（2.84 萬億美元），也與極端降水事件不無關(guān)系。

因此，如何及時(shí)、準(zhǔn)確地預(yù)測短時(shí)和未來的天氣狀況，已成為科學(xué)家們?cè)噲D努力攻破的重要課題之一。

人工智能（AI）被寄予厚望，被認(rèn)為是“一個(gè)改善極端天氣預(yù)測的更快、更便宜的替代方案”。

那么，AI 在協(xié)助氣象預(yù)報(bào)方面的潛力如何？目前的預(yù)測效果又怎么樣呢？

昨天，同時(shí)刊登在 Nature 上的兩篇關(guān)于“AI 氣象預(yù)報(bào)”的研究論文，便提到了兩種基于 AI 的氣象預(yù)報(bào)方法，其中一種方法能夠提前一周預(yù)測全球氣象模式，另一種方法則可以預(yù)測短時(shí)天氣，如極端降水事件。

據(jù)論文描述，這兩種基于 AI 的方法與現(xiàn)有方法的準(zhǔn)確性相當(dāng)，甚至可以預(yù)測此前難以預(yù)測的天氣現(xiàn)象。

然而，這些 AI 模型是否以及何時(shí)可以成為氣象學(xué)家進(jìn)行天氣預(yù)報(bào)的主要工具，目前仍然存在一些不確定性和爭議，主要的考慮因素在于，這些 AI 模型商業(yè)化后的運(yùn)營成本高低以及是否可以贏得人們的信任。

明天天氣如何？AI來預(yù)測

天氣預(yù)報(bào)在幫助拯救生命和降低財(cái)產(chǎn)損失方面起著重要作用，尤其是在當(dāng)前極端氣候事件愈發(fā)頻繁的情況下。

當(dāng)前，最準(zhǔn)確的預(yù)報(bào)系統(tǒng)為數(shù)值天氣預(yù)報(bào)，這種方法主要依賴物理方程，但對(duì)算力的要求很高，需要高性能計(jì)算等方法來支持，而且速度通常很慢，單次模擬需要數(shù)個(gè)小時(shí)，即使在擁有數(shù)百個(gè)節(jié)點(diǎn)的超級(jí)計(jì)算機(jī)上。

近年來，一些基于 AI 的方法展現(xiàn)出了顯著提高天氣預(yù)報(bào)速度的潛力，可以在幾秒內(nèi)生成一個(gè) 24 小時(shí)預(yù)報(bào)，但準(zhǔn)確性一般不如數(shù)值天氣預(yù)報(bào)。

在題為“Accurate medium-range global weather forecasting with 3D neural networks”的論文中，由華為云 AI 首席科學(xué)家田齊領(lǐng)導(dǎo)的研究團(tuán)隊(duì)提出了一個(gè)基于 AI 的天氣預(yù)報(bào)系統(tǒng)——盤古氣象（Pangu-Weather），其主要技術(shù)貢獻(xiàn)包括設(shè)計(jì) 3DEST 架構(gòu)并應(yīng)用分層時(shí)間聚合策略進(jìn)行中期預(yù)報(bào)。

圖｜網(wǎng)絡(luò)訓(xùn)練和推理策略。（來源：Nature）

據(jù)介紹，這個(gè) AI 模型使用了 39 年的全球再分析天氣數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，其預(yù)測準(zhǔn)確率與全球最好的數(shù)值天氣預(yù)報(bào)系統(tǒng) IFS 相當(dāng)；更重要的是，前者在相同的空間分辨率下比后者要快 10000 倍以上。

然而，正如論文中所提到的，盤古氣象也存在一定的局限性。

例如，該模型是在再分析數(shù)據(jù)上進(jìn)行訓(xùn)練和測試的，而實(shí)際的天氣預(yù)報(bào)系統(tǒng)使用觀測數(shù)據(jù)；沒有研究降水等天氣變量，而忽略這些因素可能會(huì)導(dǎo)致模型缺乏一些能力（如利用降水?dāng)?shù)據(jù)準(zhǔn)確預(yù)測諸如龍卷風(fēng)這樣的小范圍極端天氣事件）；該方法會(huì)產(chǎn)生更平滑的預(yù)報(bào)結(jié)果，增加了低估極端天氣事件波及范圍的風(fēng)險(xiǎn)；以及時(shí)間不一致等問題。

盡管如此，盤古氣象依然展示出了大型預(yù)訓(xùn)練模型在天氣預(yù)報(bào)方面的潛力。未來，研究團(tuán)隊(duì)希望通過融合更多垂直層次和大氣變量、整合時(shí)間維度并訓(xùn)練 4D 深度網(wǎng)絡(luò)、使用更深和更寬的網(wǎng)絡(luò)等方法，實(shí)現(xiàn)模型的進(jìn)一步迭代。

極端降水是導(dǎo)致氣象災(zāi)害的一個(gè)重要因素，因此非常需要通過具有高分辨率、充足準(zhǔn)備時(shí)間和局部細(xì)節(jié)的精確預(yù)報(bào)來減輕其社會(huì)經(jīng)濟(jì)影響。

在氣象預(yù)報(bào)中，有一種非常短期的天氣預(yù)報(bào)，即從當(dāng)前時(shí)間到未來 6 小時(shí)的“臨近預(yù)報(bào)”，主要用來提供即時(shí)天氣的詳細(xì)信息，對(duì)于極端降水事件的風(fēng)險(xiǎn)預(yù)防和危機(jī)管理非常重要。

然而，目前的方法存在模糊、耗散、強(qiáng)度或位置誤差等問題，基于物理學(xué)的數(shù)值方法難以捕捉關(guān)鍵的混沌動(dòng)力學(xué)（如對(duì)流啟動(dòng)），而數(shù)據(jù)驅(qū)動(dòng)的學(xué)習(xí)方法未能遵守內(nèi)在的物理規(guī)律（如對(duì)流守恒）。

在另一篇論文中，由機(jī)器學(xué)習(xí)領(lǐng)域泰斗、加州大學(xué)伯克利分校教授 Michael Jordan 和清華大學(xué)教授王建民領(lǐng)導(dǎo)的聯(lián)合研究團(tuán)隊(duì)提出了一個(gè)結(jié)合物理規(guī)律和深度學(xué)習(xí)進(jìn)行實(shí)時(shí)預(yù)報(bào)降水的模型——NowcastNet。

圖｜NowcastNet 的設(shè)計(jì)架構(gòu)。（來源：Nature）

據(jù)介紹，NowcastNet 在臨近預(yù)報(bào)方面表現(xiàn)出色，基于雷達(dá)觀測數(shù)據(jù)，可以做到提前 3 小時(shí)對(duì) 2048 km × 2048 km 的區(qū)域進(jìn)行高分辨降水預(yù)測；在一項(xiàng)涉及極端降水預(yù)測能力的評(píng)估中，該模型在約 70% 的預(yù)測中超過了其他方法；此前很難預(yù)測的極端降水事件方面，表現(xiàn)尤其突出。

我們應(yīng)該相信AI嗎？

在一篇與上述論文同時(shí)發(fā)表的“新聞與觀點(diǎn)”文章中，科羅拉多州立大學(xué)研究教授 Imme Ebert-Uphoff 和研究助理 Kyle Hilburn 認(rèn)為，這些方法非常有前途，甚至有可能引發(fā)一種范式轉(zhuǎn)變，即基于生成式 AI 的模型可以完全取代數(shù)值天氣預(yù)報(bào)。

然而，他們也提醒到，這些 AI 模型也存在一些潛在風(fēng)險(xiǎn)。例如，當(dāng)在從未見過的條件下運(yùn)行時(shí)，AI 系統(tǒng)的行為通常是不可預(yù)測的。

因此，要想避免這些風(fēng)險(xiǎn)，就需要?dú)庀髮W(xué)家參與進(jìn)來，學(xué)習(xí)設(shè)計(jì)、評(píng)估和解讀這類系統(tǒng)。

對(duì)此，同樣在科羅拉多州立大學(xué)任職的 Russ Schumacher 教授表示，“人們對(duì) AI 的擔(dān)憂通常在于它是一個(gè)黑匣子，你只需輸入一些數(shù)字并取出一些數(shù)字，卻不知道其間的過程如何運(yùn)作。”

另外，盡管氣象學(xué)家們尚未完全接受這種“AI 魔法”，但他們已經(jīng)在學(xué)習(xí)如何將用于運(yùn)行傳統(tǒng)模型的大氣觀測數(shù)據(jù)實(shí)時(shí)提供給 AI 模型，以及獲得更多使用這些 AI 模型的經(jīng)驗(yàn)。

未來，建立對(duì)“黑匣子”模型的信任或許依然需要一些時(shí)間，但將 AI 模型用在氣象預(yù)報(bào)的實(shí)踐，會(huì)在這股 AI 浪潮中繼續(xù)向前。