老派基于物理的天气预报及新兴的人工智能模型通常在两周之后变得不可靠，微软声称已利用机器学习解决了这一问题。该公司的研究人员表示，他们发现了一种新的、具有成本效益的方法，可以提前两到六周做出更准确的天气预报——让农民和应急响应者能够更有把握地进行计划。研究结果今天已在《自然》杂志上发表，并且该工具现已成为开源软件。微软加入了谷歌、英伟达和其他开发天气预报人工智能工具的公司。微软最新的研究没有创建新的独立天气模型，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，这是一种让缺乏资源的天气机构能够通过人工智能提高准确度的更可接受的方式。尽管基于物理的建模需要在超级计算机上耗费大量资源，生成型人工智能依赖强大的GPU，但微软研究新英格兰的高级首席研究员莱斯特·麦基表示，新的工具可以仅在CPU上运行。“我对天气预报资源效率的提高和预测可靠性的延长，尤其是对极端天气的预测满怀期待，”麦基告诉《绝对边缘》。基于物理和基于人工智能的模型在预测两周或更长时间后的天气时会遇到类似的问题。传统模型试图模拟地球大气的复杂物理学，而人工智能模型则通过历史数据寻找模式来进行预测。在这两种方法中，模型都依赖于近似值来填补数据的空白，无论是来自天气站稀少的地区，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缺的方法可能会形成一种系统性偏差。随着时间的推移，对更长时间的预测所产生的错误会累积，使这些预测变得不够精确。微软称其方法为概率偏差校正（PBC）。该工具使用机器学习识别模型中的系统性偏差并进行修正。麦基给出的一个例子是纠正气候变化。化石燃料排放的温室气体正在加热地球，但天气模型可能基于历史记录做出预测，这可能使其偏向于比现实中温暖的世界更冷的温度。研究人员发现，PBC在98%的降水预测和92%的温度目标上提高了欧洲中期天气预报中心（ECMWF）的领先物理天气模型的准确性。该机器学习框架还将ECMWF的新型人工智能预测系统的准确性提高了两倍。在论文发表之前，ECMWF已经在其人工智能天气挑战赛中奖励了作者关于PBC的研究。微软、麻省理工学院、ECMWF及其他机构的研究人员发表的关于PBC的新论文“是为社区的利益和考虑而开发新想法的一个好例子，”ECMWF的机器学习战略负责人马修·钱特里在给《绝对边缘》的电子邮件评论中表示。钱特里补充道：“像往常一样，将想法变为现实的操作过程是最具挑战性的步骤。”天气预报所需的计算和基础设施量往往让许多经济发展中国家的机构难以接触到技术进步。然而，论文的作者认为PBC可以不同。“对我而言，像PBC这样的模型令人兴奋的地方在于它们是多么轻量级，多么容易训练，科学家们在没有大量资源的情况下可以尝试配置这些模型，并使其在特定地方表现得更好，”论文作者之一基尼维夫·弗拉斯波莱尔说道。弗拉斯波莱尔在微软麦基的指导下成为PBC的实习生，现在她是非营利组织Rhiza Research的执行董事，该组织正在与肯尼亚气象服务局合作——在比尔和梅琳达·盖茨基金会的资助下——看看人工智能是否能帮助更准确地向民众发出早期警报。PBC是他们在预计在创纪录的厄尔尼诺现象期间出现更极端的雨季之前测试的方法之一。