預報升級

通過整合人工智能技術，氣象模型有望實現重大突破。圖片來源：COURTESY OF GOOGLE DEEPMIND

20世紀60年代，美國國家航空航天局（NASA）與蘇聯競爭對手將首批氣象衛星送入太空，自此，全球天氣預報發生了永久性的變革。借助這組“太空之眼”，氣象預報員突然間能夠監測海洋與偏遠陸地的天氣狀況，填補了氣象模型中的關鍵空白，也針對遠距離形成的潛在風暴搭建了早期預警系統。

如今，氣候變化使天氣預測難度增加，極端天氣事件的頻率和強度不斷上升，氣象學家們正在期待另一項重大技術突破可以為他們帶來優勢。

人工智能正在為天氣預報模型注入全新力量，使科學家能夠更迅速、更精準地探測極端天氣事件。今年8月，谷歌（Google）的DeepMind的颶風預測技術在颶風“艾琳”（Hurricane Erin）測試中，不僅在最初72小時內超越美國國家颶風中心（U.S. National Hurricane Center）的“官方”預報，還擊敗多款基于物理原理構建的預報模型。

英偉達（Nvidia）、華為等科技巨頭，以及美國國家海洋和大氣管理局（U.S. National Oceanic and Atmospheric Administration）等政府機構，均已經啟動人工智能驅動的氣象模型測試工作。人工智能在氣象預報的兩大核心任務中表現尤為出色：處理海量數據集，并識別數據的潛在規律。與主要依賴實時大氣觀測數據的傳統模型不同，谷歌的人工智能系統通過分析歷史颶風數據，發現人類預報員可能未曾察覺的規律。

誠然，人工智能預報模型仍然存在局限性。在颶風“艾琳”的首次實時測試中，谷歌的預測模型在72小時內的預報中表現最為出色。但對氣象預報員而言，三天至五天的預報窗口期最為關鍵，原因是疏散指令發布與颶風應對準備工作，正是在這一階段展開的。

即便是最樂觀的技術專家也承認，世間不存在可以解決所有問題的“靈丹妙藥”，這類模型必然存在權衡與局限。例如，歷史數據顯示，人工智能模型往往傾向于“平滑數據”：為呈現更規整的數據結果，可能會將那些細微卻至關重要的細節模糊化。

但人工智能與氣象學結合的潛力不容小覷——這種結合因為有望提升公共安全水平、優化企業規劃與供應鏈物流而受到高度關注。

更智能的颶風預測

湯姆·安德森（Tom Andersson）之所以對氣象模型產生興趣，源于他聽聞專家提及：盡管人工智能天氣預報技術發展迅猛，但這類模型在現實場景中對風暴強度進行預測時，可靠性依然欠佳。

“如果極端天氣毫無征兆地突然來襲，可能就會在幾小時甚至幾分鐘內顛覆人們的生活。”參與谷歌DeepMind于今年6月推出的熱帶氣旋實驗模型研發的研究工程師安德森表示。（“氣旋”是對強氣旋性熱帶風暴的統稱，“颶風”主要指發生在大西洋的熱帶氣旋。）“我們研發這項技術的初衷，是助力氣象機構更好地向公眾傳達風險信息。”

該模型能夠同時預測風暴路徑（包括風暴移動路徑及可能的登陸地點）與強度（包括風暴的強弱程度及危險等級），被氣象界視為重大突破。目前，美國國家颶風中心及其他國際專家正在對此展開積極評估。

“此前，沒有任何一個模型可以同時精準預測氣旋的移動路徑與強度。”安德森說，“這可能是首個實現同步預測的模型。”

颶風應對對時間極為敏感。如果有關部門需要調配應急資源或發布疏散指令，就必須盡可能掌握颶風的移動路徑信息。

“相較于以往基于物理原理的模型，我們能夠提前一天半發布同等精度的預警。”領導氣旋模型研發工作的谷歌DeepMind研究科學家費蘭·阿萊特（Ferran Alet）表示，“我們期望借此進一步增強人類預報員的能力。”

傳統方法基于物理方程，而人工智能模型則從海量數據集中學習規律，這有助于量化不確定性、輔助識別極端天氣事件，并使模型隨時間推移持續優化。

誠然，人工智能模型的性能最終取決于其訓練數據的質量。谷歌DeepMind的優勢在于，既擁有全球歷史氣象數據集，也掌握著可以追溯至40余年前的專項氣旋數據集。

“人們總愛抱怨天氣預報連降雨量都預報不準……但事實上，如今我們能夠預測大西洋（Atlantic Ocean）的颶風在未來三天至五天的移動路徑，這本身就已經是一項非凡成就了。”安德森說道，“幾十年前，根本做不到這一點。我們如今可以取得這樣的成果，要歸功于整個氣象學界極為徹底且具有革命性的技術開放特性。”

盡管從理論上看，這一切都令人振奮，但谷歌DeepMind的這款模型仍然處于初期階段，在實時颶風精準預報方面尚未經過充分驗證。機器學習模型不太可能完全取代基于物理原理的模型，因為兩者各有優勢與局限。對氣象預報員來說，人工智能是工具箱中新增的“性能極強的工具”，而非實現氣象預報工作自動化的手段。

應對商業風險

借助更精準、及時且貼合區域特點的天氣預報，企業能夠更有效地預判運營中斷風險、調配所需資源，進而降低供應鏈面臨的風險。

人工智能還有望將天氣預報與現實數據更直接地結合，打造高度專業化預測服務。比如，貨運公司可以將天氣數據與自身運營數據相結合，規劃出更高效的運輸路線。

“通過整合道路狀況信息、傳感器數據、庫存信息及氣象數據，企業能夠針對天氣與人力因素交織作用下的價值鏈，實施優化舉措。”美國國家海洋和大氣管理局的氣象項目辦公室（Weather Program Office）的副主任約翰·滕·霍夫（John Ten Hoeve）解釋道。

更重要的是，人工智能有望降低整體預報成本。雖然人工智能模型的訓練成本高昂，但一旦研發完成，其運行速度快且成本低。這與傳統模型形成鮮明對比：傳統模型如果要進行多次模擬運算，成本便會急劇攀升。

“這些模型一旦訓練完成，便極易獲取，只需要幾分鐘就可以在筆記本電腦上運行。”滕·霍夫表示，“這將以前所未有的方式實現氣象建模民主化。”

譯者：Zhy