传统物理天气预报与新兴AI模型通常在超过两周后可靠性下降，微软声称已通过机器学习解决了这一难题。
微软研究人员表示，他们找到了一种新的、具有成本效益的方法，可提前两到六周做出更准确的天气预报，这将使农民和应急人员能够更有把握地提前规划。相关研究成果今日发表在《自然》杂志上，该工具现已开源。
微软加入了谷歌、英伟达等公司开发AI天气预报工具的行列。与打造一个全新的独立天气模型不同，微软在这一领域的最新研究是利用机器学习来纠正现有模型中的偏差。研究人员希望，这能为资源有限的气象机构提供一种更易获得的方式，借助AI提升预报精度。
对于资源有限的气象机构来说，这是一种更易获得的提升AI预测精度的方式
基于物理学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。微软新英格兰研究院首席高级研究员莱斯特·麦基表示，这款新工具仅需在CPU上即可运行。"我对提高天气预报的资源效率以及延长预报的可靠性抱有很大希望，尤其是针对极端天气的预报，"麦基对The Verge表示。
当预测提前两周以上的天气时，基于物理学的模型和基于AI的模型都会遇到相似的问题。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规律来进行预测。在这两种方法中，模型都依赖近似值来填补数据空白，无论是因为气象站稀少的地区，还是科学家仍在努力理解的复杂大气现象。模型弥补这些数据缺口的方式，可能形成一种系统性偏差。这种误差在预测时间越往后延伸时会不断累积，使得预报精度下降。
微软将其方法称为概率偏差校正（PBC）。该工具利用机器学习识别模型中的系统性偏差并加以修正。麦基举例说，其中一项应用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变暖，但天气模型可能基于历史记录做出预测，这会使其偏向于比当今世界实际经历的温度更低的预测结果。
研究人员发现，PBC在欧洲中期天气预报中心（ECMWF）的一个领先物理模型基础上，将98%的降水预测目标和92%的温度预测目标的准确率都有所提升。在该研究的分析中，这一机器学习框架还将ECMWF新型AI预报系统的准确率提高了一倍。在该论文发表之前，ECMWF已经在其AI天气预测竞赛中对作者们关于PBC的研究授予了奖项。
这篇由微软、麻省理工学院、ECMWF等机构的研究人员联合撰写的PBC新论文，"是一个很好的例子，展示了为造福整个行业而开发的新思路，供业界参考"，ECMWF机器学习战略负责人马修·坎特里在给The Verge的电子邮件评论中表示。
"一如既往，将想法转化为实际运行的流程是最具挑战性的一步，"坎特里补充道。
天气预报所需的大量计算资源和基础设施，往往让许多经济发展中国家的气象机构难以企及先进技术。然而，该论文的作者们认为PBC可以有所不同。"PBC这类模型真正让我感到兴奋的一点是，它们非常轻量化，训练也很容易，没有庞大资源储备的科学家也能够尝试配置这些模型，让它们在特定地区表现更好，"论文作者之一吉纳维芙·弗拉斯波勒说道。
弗拉斯波勒曾在微软担任实习生期间与麦基一起参与了PBC的研究工作，如今她是非营利组织Rhiza Research的执行董事。该组织正与肯尼亚气象局合作——资金来自盖茨基金会——探索AI能否帮助向民众发布更准确的早期预警。在预计将因创纪录的厄尔尼诺现象而出现更极端雨季之前，PBC是他们正在测试的方法之一。
Q&A
Q1：微软的概率偏差校正PBC工具是什么？
A：PBC是微软开发的一种机器学习工具，用于纠正现有天气预报模型中的系统性偏差，从而提升两到六周长期预报的准确率，且该工具已开源。
Q2：PBC工具运行需要什么硬件条件？
A：与依赖超级计算机的物理建模和依赖强大GPU的生成式AI不同，PBC工具仅需在CPU上运行，资源消耗更低，更适合资源有限的气象机构使用。
Q3：PBC工具对天气预报准确率的提升效果如何？
A：研究显示，PBC使欧洲中期天气预报中心的领先物理模型在98%的降水预测目标和92%的温度预测目标上准确率提升，同时将该中心AI预报系统的准确率提高了一倍。
