微软开源机器学习工具 PBC，改进 2-6 周天气预报

老派的基于物理的天气预报，乃至新的 AI 模型，通常在两周之后就会变得不那么可靠，微软声称已用机器学习解决了这一问题。

该公司的研究人员表示，他们找到了一种新的、具有成本效益的方法，可以更准确地预报未来两到六周的天气——让农民和应急响应人员能够更有把握地提前规划。研究结果已发表于今天的期刊Nature，该工具现已是开源软件。

微软加入了Google、Nvidia以及其他开发 AI 工具的公司的行列，共同投身天气预报。微软在这一领域的最新研究并未创建一个全新的独立天气模型，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，对于资源紧张的气象机构来说，这是一种更易实现的、利用 AI 提升准确度的方式。

基于物理的建模是一项资源密集型的工作，需要在超级计算机上运行，而生成式 AI 则依赖强大的 GPU，微软研究院新英格兰分部的高级首席研究员 Lester Mackey 表示，这款新工具仅靠 CPU 就能运行。“我对天气预报资源效率的提升以及预报可靠性的延长都抱有很大希望，尤其是在极端天气方面，”Mackey 告诉The Verge。

当开始预测两周或更长时间之后的天气时，基于物理的模型和基于 AI 的模型都会遇到类似的问题。传统模型试图模拟地球大气的复杂物理过程，而 AI 模型则从历史数据中寻找规律来进行预报。两种方法中，模型都依赖近似值来填补数据空白，无论是来自气象站稀疏的地区，还是科学家仍在努力理解的复杂大气现象。这些模型填补数据空白的方式可能会演变成一种系统性偏差。在预测更远的未来时，由此产生的误差会不断累积，使这些预测变得不那么精确。

Microsoft 将其方法称为概率偏差校正（Probabilistic Bias Correction，PBC）。该工具利用机器学习来识别模型中的系统性偏差并进行校正。Mackey 给出的一个例子是校正气候变化带来的影响。化石燃料产生的温室气体排放正在使地球变暖，但天气模型可能会基于历史记录做出预测，这会使它偏向于比当今世界实际经历的温度更低的温度。

研究人员发现，PBC 将欧洲中期天气预报中心（ECMWF）的一个领先的基于物理的天气模型的准确率提升到了 98% 的降水目标和 92% 的温度目标。在该研究的分析中，这一机器学习框架还将 ECMWF 的新 AI 预报系统的准确率提高了一倍。在这篇论文发表之前，ECMWF 就已经在其AI Weather Quest 竞赛中表彰了作者们关于 PBC 的研究。

这篇关于 PBC 的新论文由 Microsoft、MIT、ECMWF 及其他机构的研究人员发表，“是一个很好的例子，展示了为社区的利益和考量而开发的新想法，”ECMWF 机器学习战略负责人 Matthew Chantry 在给The Verge的电子邮件评论中表示。

“一如既往，将想法转化为实际运行流程中的现实是最具挑战性的一步，”Chantry 补充道。

天气预报所需的算力和基础设施规模，往往使许多经济欠发达国家的机构无法获得技术进步带来的成果。然而，这篇论文的作者们认为 PBC 可以有所不同。“像 PBC 这样的模型让我感到非常兴奋的一点是，它们非常轻量、易于训练，那些没有庞大资源的科学家也可以尝试配置[这些]模型，并让它们在特定地区表现得更好，”该论文的作者之一 Genevieve Flaspohler 说。

Flaspohler 曾在 Microsoft 与 Mackey 一起作为实习生参与 PBC 的工作，现在她是非营利组织 Rhiza Research 的执行主任，该组织正在与肯尼亚气象服务局合作——借助资金来自盖茨基金会——以探究 AI 能否帮助向人们发出更准确的早期预警。PBC 是他们正在测试的方法之一，以应对预计将更为极端的雨季，届时正值破纪录的厄尔尼诺现象。