微软开源 PBC 工具，用机器学习改进 2 至 6 周天气预报

老派的基于物理的天气预报，甚至新的 AI 模型，通常在两周之后就会变得不那么可靠，微软声称已利用机器学习解决了这一问题。

Researchers with the company say they’ve found a new, cost-effective way to make more accurate weather forecasts two to six weeks in advance — allowing farmers and emergency responders to plan ahead with greater certainty. The findings were published today in the journal Nature, and the tool is now open-source software.

微软加入了谷歌、英伟达以及其他开发天气预报 AI 工具的公司之列。微软在这一领域的最新研究并非创建一个新的独立天气模型，而是利用机器学习来纠正现有模型中的偏差。研究人员希望，对于资源紧张的气象机构来说，这是一种更容易借助 AI 提高准确性的方式。

对于资源紧张的机构来说，这是一种更容易借助 AI 提高准确性的方式

基于物理的建模是一项资源密集型工作，需要在超级计算机上运行，而生成式 AI 则依赖强大的 GPU；微软研究院新英格兰分部高级首席研究员 Lester Mackey 表示，这一新工具仅可在 CPU 上运行。“我对天气预报资源效率的提升以及预报可靠性的延长都抱有很大希望，尤其是对极端天气而言，”Mackey 对 The Verge 表示。

当开始预测两周或更长时间之后的天气时，基于物理的模型和基于 AI 的模型都会遇到类似问题。传统模型试图模拟地球大气的复杂物理过程，而 AI 模型则从历史数据中寻找模式来进行预报。在这两种方法中，模型都依赖近似值来填补数据空白，无论是来自气象站稀疏的地区，还是科学家仍在努力理解的复杂大气现象。这些模型弥补数据空白的方式可能会成为一种系统性偏差。在预报更远未来时，由此产生的误差会不断累积，使这些预测变得不那么精确。

微软将其方法称为概率偏差校正（PBC）。该工具利用机器学习来识别模型中的系统性偏差并进行校正。Mackey 给出的一个例子是校正气候变化带来的影响。化石燃料产生的温室气体排放正在使地球升温，但天气模型可能会基于历史记录进行预测，这可能使其偏向比当今世界实际经历的温度更冷的结果。

研究人员发现，PBC 将欧洲中期天气预报中心（ECMWF）一个领先的基于物理的天气模型在 98% 的降水目标和 92% 的温度目标上的准确性提高了。在该研究的分析中，这一机器学习框架还将 ECMWF 新 AI 预报系统的准确性提高了一倍。在论文发表之前，ECMWF 就已经在其 AI Weather Quest 竞赛中表彰了作者关于 PBC 的研究。

ECMWF 机器学习战略负责人 Matthew Chantry 在给 The Verge 的电子邮件评论中表示，微软、麻省理工学院、ECMWF 及其他机构的研究人员发表的这篇关于 PBC 的新论文，“是一个很好的例子，说明新想法正在为社区的利益和考量而发展。”

“一如既往，将想法转化为可操作的流程是最具挑战性的一步，”Chantry 补充道。

天气预报所需的算力和基础设施规模，往往使许多经济欠发达国家的机构无法获得技术进步。然而，论文作者认为 PBC 可能有所不同。“像 PBC 这样的模型真正让我兴奋的一点是它们非常轻量、易于训练，没有庞大资源的科学家也能尝试配置[这些]模型，并使其在特定地区表现更好，”论文作者之一 Genevieve Flaspohler 说。

Flaspohler 在微软实习时与 Mackey 一起参与了 PBC 的工作，现在她是非营利组织 Rhiza Research 的执行主任，该组织正与肯尼亚气象服务局合作——由盖茨基金会提供资助——以探究 AI 能否帮助向人们发出更准确的早期预警。PBC 是他们正在测试的方法之一，以应对预计在破纪录的厄尔尼诺现象期间更为极端的雨季。

关注本报道的话题和作者，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。

• Justine Calma