机器学习模型正在接管天气预报领域，从快速的"这场雨会持续多久"到 10 天的展望，一直到世纪级别的预测。这项技术对气候科学家、应用程序和地方新闻台越来越重要，但实际上它并不比你我更"了解"天气。

几十年来，气象学和天气预报在很大程度上都是通过将观测数据与精心调整的物理模型和方程相匹配来定义的。现在依然如此--没有观测就没有科学--但庞大的数据档案已经使强大的人工智能模型能够覆盖你所关心的任何时间尺度。Google希望从现在到永远主宰这一领域。

在较短的时间尺度上，我们有即时预报，通常是在"我需要带雨伞吗？"这个问题上进行咨询。DeepMind的"即时预报"模型可以解决这个问题，它基本上是把降水地图看成是一连串的图像，并试图预测这些图像中的形状将如何演变和变化。

通过研究无数小时的多普勒雷达，该模型可以非常准确地预测接下来会发生什么，即使在冷锋带来降雪或冻雨等相当复杂的情况下也是如此（正如中国研究人员在Google研究成果的基础上所展示的那样：https://www.nature.com/articles/s41586-023-06184-4#Abs1）。

这个模型就是一个例子，说明当一个系统对天气如何发生并不了解时，它能做出多么准确的天气预测。气象学家可以告诉你，当这种气候现象与另一种气候现象发生冲突时，你会遇到大雾、冰雹或湿热天气，因为这是物理学告诉他们的。人工智能模型对物理学一无所知--纯粹基于数据，它只是对接下来会发生什么做出统计猜测。就像 ChatGPT 其实并不"知道"自己在说什么一样，天气模型也不"知道"自己在预测什么。

图片来源：Google DeepMind

对于那些认为必须要有强大的理论框架才能做出准确预测的人来说，这可能会让他们感到惊讶，事实上，科学家们对于盲目采用一个连一滴雨和一缕阳光都不知道的系统仍心存疑虑。尽管如此，这些结果还是令人印象深刻的，而且在"我去商店的路上会不会下雨"这样的低风险问题上，它已经足够出色了。

Google的研究人员最近还展示了一个新的、时间稍长的模型，名为 MetNet-3，可以预测未来 24 小时内的天气。正如你可能猜到的那样，这个模型引入了更大范围的数据，比如全县或全州的气象站，并在更大范围内进行预测。这适用于"暴风雨是会越过山脉还是会消散"之类的情况。了解明早的风速或热量是否可能进入危险区域，对于规划应急服务和部署其他资源至关重要。

今天，"中程"尺度（即未来 7-10 天）天气预测领域又有了新进展。Google DeepMind 的研究人员在《科学》杂志上发表了一篇文章，介绍了 GraphCast，"它能比行业黄金标准天气模拟系统更准确、更快速地提前 10 天预测天气状况"。

GraphCast 不仅在时间上，而且在尺寸上都进行了放大，以 0.25 度的经/纬度分辨率覆盖整个地球，或在赤道上约为 28×28 千米。这意味着要预测地球周围 100 多万个点的天气情况，当然，其中有些点比其他点更引人关注，但关键是要建立一个全球系统，准确预测未来一周左右的主要天气模式。

作者写道："我们的方法不应被视为传统天气预报方法的替代品，而是证明 MLWP 能够应对现实世界预报问题的挑战，并有潜力补充和改进当前的最佳方法"。

它不会告诉你你家附近会下雨还是只在隔壁镇子下雨，但它对更大规模的天气事件非常有用，比如大风暴和其他危险的异常现象。这些事件发生在数千公里范围内的系统中，这意味着 GraphCast 可以相当详细地模拟它们，并能预测它们的运动和质量，而且只需使用一个Google计算单元，耗时不到一分钟。

效率是一个重要方面。"数值天气预报"，即传统的基于物理学的模型，计算成本高昂。当然，它们的预测速度可以超过天气发生的速度，否则它们就毫无价值--但你必须让超级计算机来做这项工作，即便如此，要做出有细微变化的预测也需要一段时间。

比如说，不确定在气旋来袭之前，大气中的河流强度会增加还是减少。你可能想做几个不同强度的预报，几个不同强度的预报，一个保持不变的预报。同样，在遇到风暴、洪水和野火等情况时，这一点也非常重要。提前一天知道必须撤离某个地区，可以挽救生命。

当需要考虑大量不同的变量时，这些工作可能会变得非常复杂，有时必须运行模型几十次，甚至上百次，才能真正了解事情会如何发展。如果这些预测在超级计算机集群上每次都要花费一个小时，那就有问题了；如果在拥有数千台电脑的台式机上每次只需一分钟，那就完全没有问题了--事实上，你可能会开始考虑预测更多更精细的变化！

这就是艾伦人工智能研究所（AI2）的气候模拟项目背后的理念。如果你想预测的不仅仅是下周可能出现的 10 个不同选项，而是下个世纪可能出现的上千个选项，你会怎么做？

这种气候科学对各种长期规划都很重要，但由于需要操作的变量数量巨大，预测的时间跨度长达数十年，可以肯定所需的计算能力也同样巨大。因此，AI2 的团队正在与世界各地的科学家合作，利用机器学习加速和改进这些预测，从而改进世纪尺度的"预测"。

ClimSim 模型的工作原理与上文讨论的模型类似：它们不是将数字输入基于物理的人工调整模型，而是将所有数据视为一个相互关联的矢量场。当一个数字上升时，另一个数字也会可靠地上升一半，而第三个数字则会下降四分之一，即使机器学习模型不知道这些关系与（比如）大气中的二氧化碳、地表温度和海洋生物量有关，这些关系也会被嵌入机器学习模型的记忆中。

项目负责人说，他们建立的模型非常精确，而计算成本却低得多。但他也承认，科学家们虽然保持着开放的心态，但在工作中（这也是很自然的）也会持怀疑态度。如果你想亲自看看，代码就在这里：https://github.com/leap-stc/ClimSim/tree/main

由于时间尺度如此之长，气候变化如此之快，很难为长期预测找到合适的基本事实，但这些预测的价值却与日俱增。正如 GraphCast 的研究人员所指出的，这并不是对其他方法的替代，而是一种补充。毫无疑问，气候科学家们会希望得到他们所能得到的一切工具。