编辑 | ScienceAI
天气科学家 Tapio Schneider 很高兴，因为呆板进修让他摆脱了日常工作中繁琐乏味的任务。
十多年前，当他第一次开始摹拟云的形成时，这主要涉及到煞费苦心地调整描述水滴、气流和温度如何相互作用的方程。但自 2017 年以来，呆板进修和人工智能 (AI) 改变了他的工作方式。
「呆板进修让这门科学变得更加有趣，」在加州理工学院工作的 Schneider 说。「它速度更快、更令人满意，而且你可以获得更好的解决方案。」
保守的天气模型是由 Schneider 等科学家从头开始手动构建的，他们使用数学方程来描述陆地、海洋和空气相互作用并影响天气的物理过程。这些模型运行良好，足以做出指导全球政策的天气猜测。
但这些模型依赖于强大的超级计算机，需要数周的时间才能运行，并且是能源密集型的。Schneider 说，一个典型的模型需要消耗高达 10 兆瓦时的能量来摹拟一个世纪的天气。平均而言，这大约相当于一个美国家庭每年的用电量。此外，此类模型很难摹拟小规模过程，例如雨滴的形成方式，而雨滴通常在大规模天气和天气结果中发挥重要作用，Schneider 说。
呆板进修通过发现数据集中的模式来进修，已经在天气预报中显示出前景，现在正在介入帮助解决天气建模中的这些问题。
加州大学洛杉矶分校的计算机科学家 Aditya Grover 表达：「呆板进修在天气猜测方面的前景看起来非常有前景。」 他说，与早期的天气预报类似，出现了一系列创新，有望改变科学家摹拟天气的方式。
但仍有一些障碍需要克服——包括让每个人相信鉴于呆板进修的模型正在做出正确的猜测。
Copy cats
钻研人员主要通过三种方式使用人工智能进行天气建模。第一种方法是开发一种称为摹拟器的呆板进修模型，该模型可以产生与保守模型相同的结果，而无需进行所有数学计算。
将保守的天气模型视为一个计算机程序，它可以根据物理因素（例如球的投掷力度、投掷地点以及旋转速度）来计算球将在何处落地。摹拟器可以被认为相当于一名体育运动员，他进修所有这些建模输出中的模式，然后能够猜测球将落在哪里，而无需处理所有数学运算。
在 2023 年的一项钻研中，澳大利亚联邦科学与工业钻研组织（CSIRO）的天气科学家 Vassili Kitsios 和他的同事开发了 15 个呆板进修模型，可以摹拟 15 个鉴于物理的大气模型。
他们使用物理模型对截至 2100 年的地表气温的猜测，针对两种大气碳浓度路径（低碳排放情形和高碳排放情形）训练了名为 QuickClim 的系统。Kitsios 表达，在笔记本电脑上训练每个模型大约需要 30 分钟。钻研人员随后要求 QuickClim 模型猜测中等碳排放情形下的温度，而模型在训练期间没有看到这种情况 结果与保守的鉴于物理的模型非常吻合。
Kitsios 表达，一旦接受了所有三种排放情形的训练，QuickClim 就可以快速猜测本世纪在许多碳排放情形下全球地表温度将如何变化——比保守模型快约一百万倍。「使用保守模型，您可以分析的碳浓度路径少于五个左右。QuickClim 现在允许我们完成数千条路径——因为它速度很快。」他说。
QuickClim 有一天可以通过探索多种场景来帮助政策制定者，而保守方法需要太长时间才能摹拟。Kitsios 表达，QuickClim 等模型不会取代鉴于物理的模型，但可以与它们一起工作。
由华盛顿西雅图艾伦人工智能钻研所的大气科学家 Christopher Bretherton 领导的另一组钻研人员，为鉴于物理的大气模型开发了呆板进修摹拟器。在 2023 年的钻研中，该团队首先通过将十组初始大气条件输入鉴于物理的模型，为该模型创建了一个名为 ACE 的训练数据集。对于每组数据，鉴于物理的模型都猜测了包括气温、水蒸气和风速在内的 16 个变量在未来十年内将如何变化。
论文链接：https://arxiv.org/abs/2310.02074
经过训练后，ACE 能够在长达 10 年的时间跨度内，迭代地使用 6 小时前的估计值来提前 6 小时进行猜测。而且它表现良好：比鉴于物理的模型的精简版本更好，该模型以一半的分辨率运行，以节省时间和计算能力。在那次比较中，ACE 更准确地猜测了 90% 的大气变量的状态，运行速度快了 100 倍，能源效率提高了 100 倍。
钻研作者、艾伦人工智能钻研所的天气科学家 Oliver Watt-Meyer 表达，他感到很惊讶。「结果让我印象深刻。这些早期发现表明，我们将能够制作出非常快速、准确并能够探测许多不同场景的模型。」他说。
坚实的「本原」
在第二种方法中，钻研人员以更基本的方式使用人工智能，为天气模型提供动力。这些「本原」模型随后可以进行调整，以执行各种下游天气和天气相关任务。
Grover 说，本原模型的「本原」是这样的逻辑：数据中存在一些基本的、可能未知的模式，可以猜测未来的天气。他认为，通过发现这些隐藏的模式，本原模型有望比保守方法做出更好的天气、天气猜测。
在 2023 年的一篇论文中，Grover 和微软的钻研人员一起构建了第一个此类本原模型，名为 ClimaX。它根据五个鉴于物理的天气模型的输出进行训练，这些模型摹拟了 1850 年至 2015 年的全球天气和天气，包括气温、气压和湿度等因素，摹拟时间尺度从几小时到几年不等。与摹拟器模型不同，ClimaX 并未针对模仿现有天气模型的特定任务进行训练。
论文链接：https://arxiv.org/abs/2301.10343
经过这次训练后，团队对 ClimaX 进行了微调，使其能够执行广泛的任务。其中，该模型根据二氧化碳、二氧化硫、黑碳和甲烷水平的输入变量猜测了全球平均地表温度、每日温度范围和降雨量。
加州大学圣地亚哥分校的大气物理学家 Duncan Watson-Parris 团队 2022 年在一项钻研中提出了比较人工智能天气模型的基准。
论文链接：https://agupubs.onlinelibrary.wiley.com/doi/10.1029/2021MS002954
ClimaX 比 Watson-Parris 团队构建的三个天气摹拟器更好地猜测了与温度相关的变量状态。但是，Grover 表达，ClimaX 在猜测降雨量方面的表现，不如这三个摹拟器中最好的模型。
「我喜欢本原模型的想法。」Watson-Parris 说，但他同样表达，这些早期发现尚未证明 ClimaX 可以超越保守的天气模型，或者说尚未证明本原模型本质上优于摹拟器。
Schneider 认为，很难让人们相信任何呆板进修模型都能胜过保守方法。他说，未来天气的真实状况尚不清楚，人们迫不及待地想看看这些模型的表现如何。根据过去的天气行为测试天气模型是有效的，但并不能完美地衡量它们如何猜测可能与人类以前所见过的截然不同的未来。Schneider 表达，也许如果模型在季节性天气预报方面做得更好，那么它们在长期天气猜测方面也会做得更好。「但据我所知，这还没有得到证实，也不能保证。」他说。
此外，很难解释许多人工智能模型的工作方式，这个问题被称为人工智能黑匣子，这可能会让人们难以信任它们。「对于天气猜测，你绝对需要相信模型的推断能力。」Watson-Parris 说。
两全其美
Schneider 说，第三种方法是将呆板进修组件嵌入鉴于物理的模型中以生成混合模型——这是一种妥协。
保守的天气模型很难猜测积雪，但融合了呆板进修和鉴于物理的技术的混合模型已经成功摹拟了积雪和其他小规模过程。
在这种情况下，呆板进修模型将仅替代保守模型中效果表现较差的方面——通常是对小规模、复杂和重要过程的建模，例如云的形成、积雪和河流。Schneider 说，这些是标准天气模型中的一个「关键症结」。「我认为圣杯确实是使用人工智能工具来进修如何表达小规模流程。」他说。
他同时表达，这种混合模型可以比纯粹鉴于物理的模型表现得更好，同时比完全由人工智能构建的模型更值得信赖。
本着这种精神，Schneider 团队建立了地球大气层和陆地的物理模型，其中包含一些此类小规模过程的呆板进修表达。他说，在根据历史观测进行河流流量和积雪猜测的测试中，它们表现良好。
论文链接：https://clima.caltech.edu/files/2023/04/Snow_Prediction_Paper.pdf
「我们发现呆板进修模型在摹拟某些现象方面，比物理模型更有效。」Schneider 说。Watson-Parris 同意这一观点。
到 2024 年年底，Schneider 团队希望完成一个可以与大气和陆地模型耦合的海洋混合模型，作为 Climate Modeling Alliance（CliMA）项目的一部分。
美国宇航局和欧盟委员会正在开展类似的钻研，用于创建「数字孪生」地球。欧洲中期天气预报中心的 Florian Pappenberger 表达，这个名为「Destination Earth」（DestinE）的项目将于 2024 年 6 月进入第二阶段，其中呆板进修技术将发挥关键作用。
Schneider 表达，最终目标是创建地球系统的数字模型，由人工智能提供支持，可以以闪电般的速度摹拟天气和天气，精确度可达公里级。我们还没有达到这个目标，但钻研人员表达这个目标现在就在眼前。
参考内容：https://www.nature.com/articles/d41586-024-00780-8