谷歌釋出天氣預測AI模型，30秒內能生成22.8天大氣模擬結果

2024-07-25科技

在氣候變遷日益嚴峻的今天，準確的天氣和氣候預測變得愈發重要。

近日，谷歌研究人員開發出一種名為 NeuralGCM 的新型天氣和氣候預測模型，由人工智慧技術驅動。這一最新成果發表在 Nature 雜誌上。

該模型巧妙地結合了人工智慧技術和傳統物理模型的優勢。在 1-15 天預報的準確率上，它的表現與歐洲中期天氣預報中心（ECMWF，European Centre for Medium-Range Weather Forecasts ）相當，而且它的計算速度很快，可以在 30 秒內生成 22.8 天的大氣模擬。

傳統模型與 AI 模型的融合

自 20 世紀 50 年代以來，天氣預報主要依賴於基於物理方程式的數學模型。

這些模型執行在超級電腦上，透過復雜的計算來預測未來的天氣狀況。

隨著時間的推移，這些模型變得越來越詳細，需要的算力也越來越大。

然而，即使是最先進的超級電腦，也難以完全模擬地球大氣系統的復雜性。

圖 | NeuralGCM 模型的結構（來源：谷歌 Research）

值得關註的是，NeuralGCM 模型在能夠進行大尺度物理過程模擬的同時，還可以使用人工智慧技術來處理小尺度現象，如雲的形成和區域微氣候等。

人工智慧主要用於處理那些傳統模型難以準確模擬的小尺度現象，並用來糾正在小尺度上累積的誤差。

Google Research 的人工智慧研究員兼論文合著者史蒂芬·霍耶（Stephan Hoyer）表示：「這不是物理（模型）與人工智慧（模型）的對抗，而是兩者的結合。」

效能與準確性的雙重突破

研究顯示，NeuralGCM 在 1-15 天的天氣預報的準確性方面，與 ECMWF 模型不相上下。

ECMWF 是該研究的合作夥伴組織，它的模型被看作為全球最準確的天氣預報模型之一。

更重要的是，NeuralGCM 在長期氣候預測方面表現出色。它的 40 年氣候預測模擬結果，與從 ECMWF 數據展示的全球暖化趨勢一致。

NeuralGCM 模型在 ECMWF 提供的 40 年歷史天氣數據上進行訓練。這種基於歷史數據的訓練方法使得模型能夠學習到天氣系統的復雜模式和規律，從而在未來的預測中表現出色。

與此同時，NeuralGCM 在季節周期迴圈模擬方面也體現出卓越的優勢，包括基本的大氣動力學、全球可降雨量和全球總動能的年迴圈，以及哈德利環流和季風環流的獨特季節性行為等。

圖 | NeuralGCM 在計算速度方面超過了傳統模型（來源：谷歌 Research）

美國奧克拉荷馬大學氣象學助理教授雅連·希爾（Aaron Hill）指出，模擬全球氣候變遷或長期氣候趨勢是非常計算密集型的工作，這在傳統模型中往往因計算成本過高而難以實作，因此這項技術的真正前景在於模擬大規模氣候事件。

與傳統模型相比，NeuralGCM 在計算效率方面具有顯著優勢。研究人員稱，該模型可以在 24 小時內使用單個張量處理單元芯片處理 70000 天的模擬。

NeuralGCM 的另一個突出優點是程式碼量小。經過訓練後，基於機器學習的模型如谷歌的 GraphCast 只需不到 5500 行程式碼，而美國國家海洋暨大氣總署的模型則需要超過 37.7 萬行程式碼。

這種精簡不僅提高了執行效率，還使得模型更容易維護和更新。

潛力與挑戰並存

雖然 NeuralGCM 在短期天氣預報方面表現出色，但霍耶表示，其最終目標是用於長期建模，特別是極端天氣風險的預測。這種能力對於應對氣候變遷帶來的挑戰至關重要。

除了科研用途，NeuralGCM 還可能引起大宗商品交易、農業規劃部門和保險公司等更廣泛群體的興趣，因為這些領域格外重視更精準的天氣預測，NeuralGCM 可能會發揮重要作用。

盡管 NeuralGCM 展現出巨大潛力，但要完全取代傳統模型還需時日。

希爾指出，人們尚未對這些基於人工智慧的預測系統建立足夠的信任。

他說：「人們之所以在工作中表現出色，部份原因是他們了解當前使用的模型的優缺點，知道在什麽情況下某些模型表現良好，而其他模型可能存在偏差。」

另一個挑戰是人工智慧模型的「黑箱」性質。與傳統的物理模型不同，人工智慧模型的內部工作原理往往難以解釋或復制，這對於需要嚴格科學驗證的氣候研究來說是個問題。

此外，氣候科學家們也指出，如果模型僅基於歷史數據進行訓練，可能會在預測由氣候變遷引起的前所未有的現象時遇到困難。

希爾認為，雖然許多天氣預報領域的人工智慧懷疑論者已經被最近的發展所說服，但發展速度之快讓學界難以跟上。

他說：「我感覺每兩個月就有谷歌、輝達或華為釋出一個新模型。」

事實上也的確如此。2023 年 7 月，華為釋出了盤古氣象模型，其研究成果發表於 Nature 上；2023 年 11 月，谷歌 DeepMind 公布了基於機器學習的天氣預測模型 GraphCast，成果發表在 Science 上；2024 年 3 月，輝達推出了「地球 2 號」數位孿生平台，用於對地球氣候變遷進行測估。