由于一种强大的新型人工智能天气预报工具，淋雨或许很快将成为过去式。
谷歌DeepMind推出了一种名为GenCast的人工智能天气模型，声称其速度更快、准确性高于传统天气预报。
与表现最优的超级计算机相比，谷歌的GenCast模型在99.8%的预测中，在提前15天的预报中更为准确。
谷歌表示，这不仅有助于通勤者决定是否需要带伞，还能在自然灾害如台风发生前及时发现。
通常，气象机构如气象局通过使用巨型超级计算机来处理复杂的数学模型，从而模拟气候。
而GenCast则利用人工智能来识别历史天气数据中的模式，并生成50种可能的结果，这些结果构成了“集合预报”的基础。
当这些可能性中的大多数显示出相同的天气事件时，科学家们可以以较高的信心预测天气。
谷歌DeepMind的工程师伊兰·普莱斯表示：“这样的集合预报比依赖单一预报更有用，因为它为决策者提供了即将到来的几天和几周内可能天气条件的更全面的图景，以及每种情况的可能性。”
由于天气模式极为复杂，最佳天气预报是“概率性”的——这意味着每种结果都被赋予了发生的可能性。
尽管这提供了更全面的天气图景，但在时间和计算能力上也极为苛刻。
在最近发表在《自然》杂志上的一篇论文中，谷歌DeepMind展示了其新型人工智能模型的准确性超过了欧洲中期天气预报中心（ECMWF）的表现最优的ENS模型。
虽然GenCast和ENS都是概率性模型，但它们生成预测集的方式截然不同。
GenCast并不是试图模拟大气的复杂物理，而是使用一种称为扩散模型的人工智能类型，通常用于视频、图像和音乐生成。
在提供最近的天气状态时，人工智能会生成50个未来天气状态的预测，就像某些人工智能根据文本提示生成图像一样。
不同之处在于，GenCast专门针对地球的球面进行调整，并且经过了40年天气数据的训练。
谷歌声称，这种方法不仅更快，而且在日常天气和极端事件的预报上优于ENS。
该人工智能的训练数据截至2018年，然后与2019年的实际天气数据及该年的ENS预测进行评估。
在97.2%的预测中，GenCast的准确性超过了ENS，且在提前36小时以上的预测中准确率达到99.8%。
值得注意的是，当两个系统被要求预测台风“哈吉比斯”的到来时，GenCast能够提前12小时发出警告。
2019年，当台风“哈吉比斯”袭击日本时，它是60年来最严重的风暴，导致广泛的破坏。
GenCast背后的工程师希望，通过提前向当局发出警告，人工智能天气预报能够帮助拯救生命。
普莱斯表示：“随着气候变化导致极端天气事件增多，准确可靠的天气预报比以往任何时候都更加重要，但天气预测无法做到完美，尤其在几天之后的预报会特别不确定。”
“能够提前获得更好、更先进的警报是无价的。”
基于传统方法的糟糕预测在过去导致了致命后果，因为报告低估了即将来临的风暴的危险。
例如，在1987年，BBC气象员迈克尔·菲什向观众保证，英国没有任何飓风正在逼近。
然而第二天，毁灭性的飓风级强风袭击了英国，造成18人遇难，损失达10亿英镑（约合13亿美元）。
不过，自1980年代以来，计算天气预报的能力取得了长足进展。
当迈克尔·菲什做出那个致命预测时，气象局的超级计算机的处理能力相当于今天的普通智能手机。
目前，气象局已升级到Cray XC40超级计算系统，能够每秒进行超过14万亿次算术运算。
即使是与GenCast进行对比的ENS模型在过去几年也有了显著改进。
在他们的论文中，谷歌DeepMind使用了2019年的ENS预测，但ECMWF自那时以来进行了一些重大改进。
特别是，ENS现在能够生成显著高分辨率的预测，而GenCast的分辨率相对较低。
GenCast将世界划分为一个网格，每个方格的经纬度为0.25度。
相比之下，ENS天气预报现在的分辨率仅为0.1度，意味着能够进行更精细的预测。
谷歌DeepMind承认，传统模型在可预见的未来可能是不可替代的——不仅因为它们提供了训练人工智能所需的数据。
然而，人工智能预测在速度和计算能力上有显著优势。
传统预测如ENS在超级计算机上需要数小时，使用数万处理器。
而GenCast则只需八分钟就能利用单个处理单元生成15天的预测。
未来，这意味着人工智能模型可能在极端天气预测或围绕可再生能源（如太阳能和风能）的规划等应用中变得更加普遍。
热门跟贴