Aardvark Weather，一种由英国和加拿大研究人员开发的新型人工智能模型，可能会通过用人工智能替代传统天气模拟，标志着全球天气预报的一个转折点，以最大化成本效率和准确性。
来自剑桥大学、多伦多大学的向量研究所和阿兰·图灵研究所的研究人员在最近发表在《自然》杂志上的一份报告中揭示了这一新发现。
与通过复杂方程模拟大气物理的传统预报工具不同，Aardvark Weather是一个“深度学习”模型，能够在多个压力水平上生成全球风、湿度、地势势能和温度的预报。
它还提供2米温度和10米风速的地方站点预报。深度学习是机器学习的一个子集，教会计算机识别大量数据中的模式。
“目前，预报流程中有一些计算成本高昂的组件，”多伦多大学向量研究所的博士后研究员James Requeima告诉Decrypt。“我们已经能够用训练得更轻量的模型替代许多这些耗时的部分，以执行相同的任务。”
通过提高这些组件的效率，Aardvark可以更频繁地运行预报，并以更高的分辨率进行预报，从而提高速度和准确性。
正如Requeima所解释的，团队设计了组件以替代预报流程中的每一步，这涉及将原始观测数据转化为天气预报。
“我们发现，一旦这些机器学习组件串联在一起，整体性能显著提高，”他说。“通过针对我们所关注的最终任务微调整个流程，我们可以优化每个组件，不仅仅是为了它的孤立角色，而是为了它如何贡献于我们最关心的结果。”
该项目还包括来自微软研究剑桥、欧洲中期天气预报中心（ECMWF）和英国南极调查局的研究人员。
Aardvark Weather使用原始大气数据——如压力、温度和相对湿度测量——来生成高分辨率的全球和地方预报。
该系统围绕三个神经组件构建：编码器、处理器和解码器。
编码器：将原始、非结构化的观测数据转换为大气的网格表示。
处理器：从网格数据生成天气预报。
解码器：将预报翻译为具体的地方预测。
为了提高Aardvark的性能和准确性，组件首先在ERA5再分析数据上进行预训练——这是来自ECMWF的高质量历史数据集——然后使用实际天气观测进行微调。
“数据同化通常像自回归过程。你从当前的大气预报开始，这个预报是由大型动力系统生成的，估计其当前状态。在时间零时，你有这个初始状态，”Requeima说。“但数据同化还需要结合来自远程传感器的实时测量。因此，你收集实际观测数据与模型的预报，并相应地调整你的大气估计。”
成本和时间的一小部分
根据报告，Aardvark可以仅用四个NVIDIA A100 GPU在一秒钟内生成完整的全球预报，而老旧模型如欧洲中期天气预报中心的高分辨率预报则需要数小时。
这种计算需求的急剧减少使得高质量、可定制的天气预报对没有资源运营全规模数值天气预报（NWP）系统的地区和机构变得可及。这也使得模型的微调速度大大加快。
Aardvark加入了一个日益增长的工具套件，旨在帮助气象学家预测和应对极端天气事件。在最近的风暴中，例如2024年10月袭击美国东海岸的赫伦飓风和米尔顿飓风，预报员强调了人工智能在改善风暴强度预测中的重要性。
展望未来，Requeima指出，团队计划将Aardvark开源，以使该技术更广泛可及。
“我认为这是朝着民主化天气建模的重要一步——使其更加轻量化并向公众开放，”他说。“这是我们的希望。这也代表了端到端天气建模的重大进展，特别是通过数据驱动的机器学习方法。”
免责声明：本文章仅代表作者个人观点，不代表本平台的立场和观点。本文章仅供信息分享，不构成对任何人的任何投资建议。用户与作者之间的任何争议，与本平台无关。如网页中刊载的文章或图片涉及侵权，请提供相关的权利证明和身份证明发送邮件到support@aicoin.com，本平台相关工作人员将会进行核查。
