今天的天氣預報是基於複雜的模型，這些模型結合了控制大氣和海洋動力學的定律，並且這些模型在現有的一些最強大的超級電腦上運行。 然而，由於 DeepMind 開發的人工智慧，Alphabet（Google母公司）僅使用個人電腦大小的機器，就能在短短一分鐘內預測未來 10 天的全球天氣狀況。 這 谷歌人工智慧預測天氣 而這才剛開始。
在這篇文章中，我們將告訴您谷歌人工智慧如何預測天氣以及這項技術是如何發展的。
谷歌人工智慧預測天氣
令人驚訝的是，這個人工智慧系統幾乎在每個方面都優於大多數現代天氣預報系統。 有趣的是，這次人工智慧似乎是人類智慧的補充，而不是取代。
歐洲中期天氣預報中心 (ECMWF) 擁有一個極其先進的系統，該系統去年進行了重大升級，提高了其預測能力。 託管在義大利博洛尼亞的設施中， 有一台配備了大約一百萬個處理器的超級計算機 （與個人電腦中的兩個或四個相比）以及 30 petaflops 的非凡運算能力，相當於每秒驚人的 30.000 兆次計算。
這種巨大的運算能力對於其工具之一——高解析度預報（HRES）來說是必要的，它可以準確地預測中期全球天氣模式， 它們通常持續 10 天，空間分辨率高達 XNUMX 公里。 這些預測是世界各地氣象學家提供天氣預報的基礎。 最近，Google DeepMind 開發的人工智慧 GraphCast 已被用來衡量這個強大系統在天氣預報方面的能力。
人工智慧研究結果
週二發表在《科學》雜誌上的比較結果表明，GraphCast 在預測眾多天氣因素方面優於 HRES。 根據研究， 在檢視的 90,3 個指標中，Google 的機器有 1.380% 的表現優於 ECMWF。
當僅關注對流層（大多數天氣事件發生的大氣層）並排除平流層（距地球表面約 6 至 8 公里）的數據時，人工智慧 (A.I.) 在 99,7% 的處理中優於人類監督的超級電腦。案例。 分析的變數。 令人驚訝的是，這項成就是使用一台與個人電腦非常相似的機器（稱為張量處理單元或 TPU）來實現的。
Google DeepMind 研究員 Álvaro Sánchez González 表示，TPU 是一種專用硬件，與普通 PC 相比，它可以提供更有效率的人工智慧軟體訓練和執行，同時保持相似的尺寸。 就像電腦顯示卡專注於渲染影像一樣，TPU 也被設計為在矩陣產品中表現出色。 對於 GraphCast 訓練，我們在幾週的時間裡使用了 32 個 TPU。 然而，當訓練結束後， 單一 TPU 可以在不到一分鐘的時間內產生預測正如該設備的創建者之一桑切斯岡薩雷斯 (Sánchez González) 所解釋的那樣。
GraphCast 和預測系統
GraphCast 和現有預測系統之間的一個顯著差異是它合併歷史資料的能力。 創建者使用可追溯到 1979 年的 ECMWF 檔案中的氣象資料來訓練該系統。這個廣泛的資料集涵蓋 聖地牙哥的降雨量和影響阿卡普爾科 40 年來的氣旋。 經過大量的訓練，GraphCast 具有產生準確天氣預報的卓越能力。
只需要在預報前六小時和前一刻了解天氣狀況，就可以準確預測從現在起六個小時後的天氣。 預測是相互依賴的，每個新的預測都會通知前一個預測。 Ferran Alet，這台令人印象深刻的 DeepMind 機器的共同創造者，解釋了它的內部工作原理：「我們的神經網路提前六小時預測天氣狀況。 為了預測 24 小時內的天氣，我們只需對模型進行四次評估。 或者，我們可以針對不同時段訓練單獨的模型，例如一個訓練 24 小時，一個訓練 XNUMX 小時。 然而， “我們知道，控制天氣的基本原則在六小時內保持一致。”
「因此，如果我們能夠找到合適的 6 小時模型並使用自己的預測作為輸入，我們就可以準確預測未來 12 小時的天氣，並每 XNUMX 小時重複一次這個過程。” 根據 Alet 介紹，這種方法為單一模型提供了大量數據，從而提高了訓練效率。
到目前為止，天氣預報一直是基於數值天氣預報，數值天氣預報使用歷史上發展的科學方程式來解釋大氣動力學的各種複雜性。 研究人員的發現建立了一套數學演算法，超級電腦可以 必須運行以產生接下來幾個小時、幾天或幾週的預測 （儘管可靠性在超過 15 天後顯著下降）。 然而，執行這項任務需要非常先進的超級計算機，這涉及大量成本和大量的工程工作。
谷歌人工智慧模型預測天氣
特別值得注意的是，這些系統 他們不使用前一天甚至前一年的天氣狀況，儘管發生在同一地點和同一時間。
相反，它從不同的角度來處理任務，幾乎是相反的。 透過其先進的深度學習功能，它使用過去天氣資料的大量檔案來全面了解決定地球氣候進展的複雜因果動態。
西班牙氣象局（AEMET）發言人何塞路易斯卡薩多表示，大氣模型中沒有考慮歷史數據。 卡薩多澄清說，這個模型是基於現有的觀察結果和模型本身所做的最新預測。 透過準確了解大氣層的當前狀態，可以預測其未來的發展。 與機器學習技術不同，這種方法不使用歷史資料或預測。
我希望透過這些資訊您可以更了解Google預測天氣的人工智慧及其特徵。