跳到内容 现在太火了 机器学习有其局限性——它是如何被使用的？ 图片来源：Aurich Lawson | Getty Images 图片来源：Aurich Lawson | Getty Images 现在似乎无处不在的人工智能，无论你是试图在没有被数字“助手”打断的情况下输入句子，还是苦苦寻找不需要Wi-Fi连接的新冰箱。你有理由怀疑我们是否正处于科技的量子飞跃之中，或者人们只是在夸大一堆无用的东西。那么，我们应该如何看待人工智能在天气和气候建模中的日益使用呢？今年早些时候，当国家气象局的一个办公室发布了一份预测图，其中包含了像“Whata Bod”和“Orangeotild”这样的虚构城市名字时，讨论并不是以一个好的开始。值得庆幸的是，那只是一个为社交媒体生成的人工智能图像，而不是实际的预测模型。气象学家和气候科学家尚未被大型语言模型的提示工程师所取代。但AI仍在这些领域被使用，通过研究人员多年研究的技术，这些技术的优缺点都得到了充分理解。出于好的理由，这些技术在天气和气候模拟模型之间有所不同。 机器学习，而不是大型语言模型 在所有这些模型中，“AI”是指机器学习。无需深入探讨机器学习的众多变体的技术细节，概念很简单：使用计算机识别数据中的模式。将一条直线拟合到数据中，即线性回归，是识别模式的一种非常简单的方法。我们也可以使用更复杂的曲线和方程来进行回归。机器学习的强大之处（以及潜在的陷阱）在于算法能够处理更高水平的复杂性，识别我们手动难以捕捉到的关系。机器学习从从零开始训练模型。模型被赋予一些结构——比如神经网络——给我们提供了一些可以独立调整的旋钮，用以微调算法的行为。它得到了大量的示例数据，通常附带答案，例如成千上万张按物种标记的鸟类照片。模型然后迭代地确定连接照片内容与正确物种的最佳旋钮值。 一些局限性应该很明显。这个算法不会识别它没有训练过的物种，或与样本差异太大的物种亚群。训练数据的质量也非常重要。如果我们只使用松树中山雀的照片，模型可能会在其山雀的定义中包含松针。没有大量额外的工作，我们可能不知道模型是如何得出答案的。其内部机制大多数时候几乎是一个黑箱。然而，优势是真实的。至少在计算效率方面，机器学习算法通常超过我们最好的人工设计算法，尽管在准确性上不一定也是如此。它们只需正确使用，否则其局限性将会显露。 云计算 对于天气预报模型，这个过程与我们的鸟类识别示例没有太大不同，但模型是基于短时间间隔内获得的两组天气数据进行训练的。因为它们在每个位置并没有解决大量物理方程，所以这些模型运行的速度远远快于传统天气模型。一些公司，包括谷歌、英伟达、华为和微软，已经开发了初始模型——有时与独立学者合作——这些模型的表现甚至可以与我们目前使用的预测模型相媲美。一旦我们开始了解模型在哪些方面表现出色和在哪些方面挣扎，一些主要天气预报中心便开始开发自己的模型。欧洲中期天气预报中心（ECMWF）在2025年2月将其首个基于机器学习的模型投入使用，并与其长期以来的综合预报系统（IFS）模型并行运行。AIFS模型使用再分析进行训练——这个数据集是通过获取所有可用天气观测数据并填补我们没有测量数据的物理一致的图像。这个关键工具大大简化了机器学习预测下一个全球快照（提前六小时）的任务，基于之前的快照。每个快照包含关于温度、气压、风、湿气、云层覆盖、降水、太阳辐射和土壤湿度的信息。模型并没有应用连接这些事物的物理学，而只是提炼出这些事物在过去变化的空间模式。这意味着奇怪的事情可能会发生。机器学习模型并不“知道”列中的数字是降雨量且降雨量不能为负，或者流出模型网格的风必须被流入相邻像素的风所平衡，因为质量和能量守恒是一个...