传统基于物理学的天气预报，甚至新的人工智能模型，通常在两周之后变得不再可靠。微软声称通过机器学习已经解决了这个问题。
该公司的研究人员表示，他们找到了一种新的、成本效益高的方法，能够提前两到六周做出更精确的天气预报——这样农民和紧急响应人员就可以更有把握地进行规划。这些研究成果已经得到确认。 发布 今天在期刊上 自然，该工具现在已可用 开源软件.
Microsoft 与 Google、Nvidia以及其他开发天气预测 AI 工具的公司合作。Microsoft 最新的研究并非创建新的独立天气模型，而是利用机器学习来修正现有模型的偏差。研究人员希望，这种方式能让资源有限的气象机构更轻松地通过 AI 提高预测精度。
这是资源有限的气象机构利用人工智能提高准确性的更便捷方式。
基于物理的建模是一项资源消耗巨大的工作，需要在超级计算机上运行，而生成式人工智能则依赖于 强大的 GPU微软研究新英格兰部门高级首席研究员莱斯特·麦克基表示，新工具仅能在 CPU 上运行。“我对天气预报的资源利用效率提高以及预报的可靠性提升充满希望，尤其是针对极端天气的情况，”麦克基说道 The Verge.
基于物理和基于人工智能的模型在提前两周或更长时间预测天气时都会遇到类似问题。传统模型试图模拟地球大气的复杂物理现象，而人工智能模型则通过历史数据中的模式来进行预测。在这两种方法中，模型都依赖近似方法来填补数据空白，无论是来自气象站稀疏地区的数据，还是科学家仍在研究其中的复杂大气现象。 这些模型弥补数据缺口的方式可能会成为一种系统性的偏差。由此产生的错误会在进行更长远的预测时进一步累积，使得这些预测更加不精确。
微软将其方法称为概率偏差修正（PBC）。该工具利用机器学习技术来识别模型中的系统性偏差，并进行修正。Mackey 给出的一个例子是修正气候变化带来的影响。化石燃料产生的温室气体排放使得地球温度升高，但天气模型可能会根据历史数据做出预测，从而使其预测的温度低于当前世界实际经历的温度。
研究人员发现，PBC使欧洲中期天气预报中心（ECMWF）基于物理学的天气模型的准确性提高了：在98%的降水数据和92%的温度数据方面均如此。该机器学习框架还使ECMWF的新人工智能预测系统的准确性在研究中提升了两倍。在论文发表之前，ECMWF已通过AI Weather Quest竞赛对作者的PBC研究给予了奖励。
Microsoft、MIT、ECMWF及其他机构的研究人员发表关于PBC的新论文，“这是为造福和惠及社区而发展新思路的一个好例子”，ECMWF机器学习战略负责人马修·chantry在给The Verge的电子邮件评论中说道。
“像往常一样，将想法转化为现实的过程是一个非常具有挑战性的步骤，”Chantry补充说。
天气预报所需的计算能力和基础设施水平，常常使得许多经济发展中国家机构无法实现技术进步。不过，该论文的作者认为 PBC 可能会有所不同。 “对于像 PBC 这样的模型，让我感到非常兴奋的是，它们非常轻量，训练起来也很容易。这样，没有大量资源的科学家也能尝试配置这些模型，并让它们在特定环境中表现更好，”该论文的作者之一吉纳维芙·弗拉斯波勒说。
Flaspohler 在 Microsoft 担任实习生时与 Mackey 一起参与 PBC 项目，现在她担任非营利组织 Rhiza Research 的执行主任。该组织与肯尼亚气象服务局合作——获得盖茨基金会的资金——以研究人工智能是否能够帮助人们获得更准确的早期预警信息。PBC 是他们在测试的方法之一，旨在应对预计会更为严重的雨季，届时将出现破纪录的 El Niño 现象。
关注这个故事中的主题和作者，以便在您的个性化主页信息流中看到更多类似内容，并接收电子邮件更新。