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，強勢的“厄爾尼諾”也是今夏全球高溫加劇的罪魁禍首之一。
圖｜地球表面以上 2 米處的全球平均氣溫（來源：緬因大學）
高溫不僅會導致部分地區(qū)停業(yè)、停產(chǎn)，給當?shù)貛斫?jīng)濟損失，也會危害我們的身體健康，甚至死亡，比如因長時間暴露在高溫環(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、臺風（颶風）、洪水、冰雹等極端天氣，也同樣會對人類的經(jīng)濟生活造成難以估量的負面影響。
據(jù)世界銀行估計，在全球范圍內(nèi)，改進的氣象預測和預警系統(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)濟效益；另外，在過去 50 年中，超過 34% 的記錄災害、22% 的相關死亡人數(shù)（101 萬人）和 57% 的相關經(jīng)濟損失（2.84 萬億美元），也與極端降水事件不無關系。
因此，如何及時、準確地預測短時和未來的天氣狀況，已成為科學家們試圖努力攻破的重要課題之一。
人工智能（AI）被寄予厚望，被認為是“一個改善極端天氣預測的更快、更便宜的替代方案”。
那么，AI 在協(xié)助氣象預報方面的潛力如何？目前的預測效果又怎么樣呢？
昨天，同時刊登在 Nature 上的兩篇關于“AI 氣象預報”的研究論文，便提到了兩種基于 AI 的氣象預報方法，其中一種方法能夠提前一周預測全球氣象模式，另一種方法則可以預測短時天氣，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)有方法的準確性相當，甚至可以預測此前難以預測的天氣現(xiàn)象。
然而，這些 AI 模型是否以及何時可以成為氣象學家進行天氣預報的主要工具，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來預測
天氣預報在幫助拯救生命和降低財產(chǎn)損失方面起著重要作用，尤其是在當前極端氣候事件愈發(fā)頻繁的情況下。
當前，最準確的預報系統(tǒng)為數(shù)值天氣預報，這種方法主要依賴物理方程，但對算力的要求很高，需要高性能計算等方法來支持，而且速度通常很慢，單次模擬需要數(shù)個小時，即使在擁有數(shù)百個節(jié)點的超級計算機上。
近年來，一些基于 AI 的方法展現(xiàn)出了顯著提高天氣預報速度的潛力，可以在幾秒內(nèi)生成一個 24 小時預報，但準確性一般不如數(shù)值天氣預報。
在題為“Accurate medium-range global weather forecasting with 3D neural networks”的論文中，由華為云 AI 首席科學家田齊領導的研究團隊提出了一個基于 AI 的天氣預報系統(tǒng)——盤古氣象（Pangu-Weather），其主要技術貢獻包括設計 3DEST 架構并應用分層時間聚合策略進行中期預報。
圖｜網(wǎng)絡訓練和推理策略。（來源：Nature）
據(jù)介紹，這個 AI 模型使用了 39 年的全球再分析天氣數(shù)據(jù)作為訓練數(shù)據(jù)，其預測準確率與全球最好的數(shù)值天氣預報系統(tǒng) IFS 相當；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)上進行訓練和測試的，而實際的天氣預報系統(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導致模型缺乏一些能力（如利用降水數(shù)據(jù)準確預測諸如龍卷風這樣的小范圍極端天氣事件）；該方法會產(chǎn)生更平滑的預報結(jié)果，增加了低估極端天氣事件波及范圍的風險；以及時間不一致等問題。
盡管如此，盤古氣象依然展示出了大型預訓練模型在天氣預報方面的潛力。未來，研究團隊希望通過融合更多垂直層次和大氣變量、整合時間維度并訓練 4D 深度網(wǎng)絡、使用更深和更寬的網(wǎng)絡等方法，實現(xiàn)模型的進一步迭代。
極端降水是導致氣象災害的一個重要因素，因此非常需要通過具有高分辨率、充足準備時間和局部細節(jié)的精確預報來減輕其社會經(jīng)濟影響。
在氣象預報中，有一種非常短期的天氣預報，即從當前時間到未來 6 小時的“臨近預報”，主要用來提供即時天氣的詳細信息，對于極端降水事件的風險預防和危機管理非常重要。
然而，目前的方法存在模糊、耗散、強度或位置誤差等問題，基于物理學的數(shù)值方法難以捕捉關鍵的混沌動力學（如對流啟動），而數(shù)據(jù)驅(qū)動的學習方法未能遵守內(nèi)在的物理規(guī)律（如對流守恒）。
在另一篇論文中，由機器學習領域泰斗、加州大學伯克利分校教授 Michael Jordan 和清華大學教授王建民領導的聯(lián)合研究團隊提出了一個結(jié)合物理規(guī)律和深度學習進行實時預報降水的模型——NowcastNet。
圖｜NowcastNet 的設計架構。（來源：Nature）
據(jù)介紹，NowcastNet 在臨近預報方面表現(xiàn)出色，基于雷達觀測數(shù)據(jù)，可以做到提前 3 小時對 2048 km × 2048 km 的區(qū)域進行高分辨降水預測；在一項涉及極端降水預測能力的評估中，該模型在約 70% 的預測中超過了其他方法；此前很難預測的極端降水事件方面，表現(xiàn)尤其突出。
我們應該相信AI嗎？
在一篇與上述論文同時發(fā)表的“新聞與觀點”文章中，科羅拉多州立大學研究教授 Imme Ebert-Uphoff 和研究助理 Kyle Hilburn 認為，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)值天氣預報。
然而，他們也提醒到，這些 AI 模型也存在一些潛在風險。例如，當在從未見過的條件下運行時，AI 系統(tǒng)的行為通常是不可預測的。
因此，要想避免這些風險，就需要氣象學家參與進來，學習設計、評估和解讀這類系統(tǒng)。
對此，同樣在科羅拉多州立大學任職的 Russ Schumacher 教授表示，“人們對 AI 的擔憂通常在于它是一個黑匣子，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作。”
另外，盡管氣象學家們尚未完全接受這種“AI 魔法”，但他們已經(jīng)在學習如何將用于運行傳統(tǒng)模型的大氣觀測數(shù)據(jù)實時提供給 AI 模型，以及獲得更多使用這些 AI 模型的經(jīng)驗。
未來，建立對“黑匣子”模型的信任或許依然需要一些時間，但將 AI 模型用在氣象預報的實踐，會在這股 AI 浪潮中繼續(xù)向前。
