打開手機(jī)里的天氣預(yù)報(bào)，你不僅可以看到今天實(shí)時(shí)每小時(shí)的天氣，也能知道未來十幾天的預(yù)測。

如今天氣預(yù)報(bào)變得更及時(shí)、便利，但是你有時(shí)仍感到它不夠準(zhǔn)確。明明預(yù)報(bào)是風(fēng)和日麗，結(jié)果暴雨殺得你措手不及；在氣象專家說的臺風(fēng)天出門，結(jié)果耀眼的太陽刺得你睜不開眼，穿著全套雨衣、雨鞋的你仿佛成了小丑。

但這一次，時(shí)不時(shí)會“騙”一下你的天氣預(yù)報(bào)，將迎來一次全新的改變。

7月6日，國際頂級學(xué)術(shù)期刊《Nature》正刊發(fā)表了華為云盤古大模型研發(fā)團(tuán)隊(duì)獨(dú)立研究成果——Accurate medium-range global weather forecasting with 3D neural networks，審稿人評價(jià)華為云盤古氣象大模型讓人們重新審視氣象預(yù)報(bào)模型的未來。

這一新的預(yù)報(bào)模型能讓天氣預(yù)報(bào)變得更準(zhǔn)確嗎？它會給我們的生活帶來什么變化？

混沌的天氣，難以百分百預(yù)測

2022年，匈牙利政府在國慶煙花表演開始前7小時(shí)，收到了極端天氣警報(bào)，被迫只能將活動推遲。但在當(dāng)晚，首都布達(dá)佩斯卻風(fēng)和日麗。氣象局預(yù)測的那場暴雨改變了方向，沒有影響首都，轉(zhuǎn)而襲擊匈牙利東部地區(qū)[1]。

這樣不準(zhǔn)的天氣預(yù)報(bào)，在我們的日常生活并不少見。想要完全準(zhǔn)確預(yù)測出天氣，為什么這么難？

首先，這是由氣象本身的特性決定的。所有天氣都是由大氣運(yùn)動引起，后者涉及到太陽輻射、空氣對流等諸多物理過程，還有大氣圈、冰凍圈、生物圈、巖石圈、水圈這5大圈層在共同作用[2]。

大氣運(yùn)動處在實(shí)時(shí)變化中，各種各樣的因素都無時(shí)無刻不影響著未來我們所感知到的天氣。就像一場混戰(zhàn)，一個(gè)微小的擾動就可能引起整個(gè)系統(tǒng)長期的巨大連鎖反應(yīng)。

面對如此復(fù)雜的天氣系統(tǒng)，人類目前主要的預(yù)測方法是“數(shù)值天氣預(yù)報(bào)”。

科學(xué)家們長期研究氣象后，設(shè)計(jì)出一套有海量參數(shù)的模型來模擬大氣運(yùn)動。這本質(zhì)就是在解一套極為復(fù)雜的方程。人們要預(yù)測天氣時(shí)，需要先獲取無線電探空儀、衛(wèi)星、氣象站等觀測到的氣象數(shù)據(jù)，將這些數(shù)據(jù)作為初始條件輸入方程組，而后運(yùn)算得出結(jié)果[3]。

但這個(gè)方法十分依賴初始條件的準(zhǔn)確性，而天氣又是一個(gè)處在實(shí)時(shí)變化中的混沌系統(tǒng)，在計(jì)算過程中，一些微小的誤差都會造成最終結(jié)果的巨大不同。另一方面，復(fù)雜的參數(shù)化物理模型始終是不完備的，再復(fù)雜的物理模型也難以完全模擬出大氣運(yùn)動狀況，這就會不可避免地向數(shù)值預(yù)報(bào)引入系統(tǒng)誤差[4]。

在3天天氣預(yù)報(bào)上，數(shù)值預(yù)報(bào)的準(zhǔn)確度在全球范圍可達(dá)95%以上的。但如果要預(yù)測7天、10天后的天氣，準(zhǔn)確率就會掉到60%、40%左右，精度仍顯不夠[5]。

不只如此，數(shù)值預(yù)報(bào)精確度的進(jìn)一步提升，還面臨著算力問題。

天氣預(yù)報(bào)的準(zhǔn)確度，受到數(shù)值模式的復(fù)雜程度影響。數(shù)值模式越復(fù)雜，就能更準(zhǔn)確捕捉更小規(guī)模的天氣現(xiàn)象。

但是，數(shù)值模式越復(fù)雜，就意味著要搜集更多氣象數(shù)據(jù)，進(jìn)行更大量的計(jì)算，這對算力的消耗非常大。如 0.25°×0.25° 精度的未來10天數(shù)值預(yù)報(bào)，需在超過3000個(gè)節(jié)點(diǎn)的超級計(jì)算機(jī)上花費(fèi)數(shù)小時(shí)進(jìn)行仿真，這讓數(shù)值預(yù)報(bào)的預(yù)測速度難以進(jìn)一步提升[6]。

一些地方的氣象監(jiān)測也確實(shí)面臨著算力問題。馬來西亞發(fā)生對流風(fēng)暴普遍，但需要精度更高的分辨率才能捕獲對流數(shù)據(jù)；中國臺灣也是一個(gè)非常容易受到臺風(fēng)和暴雨等自然災(zāi)害影響的地區(qū)，要預(yù)測這些極端天氣狀況，也需要更多的算力。

即使在科技高速發(fā)展的今天，天氣的復(fù)雜性、物理模型的不完備、算力的限制，這些都仍制約我們對天氣的進(jìn)一步認(rèn)知。

被AI改變的天氣預(yù)報(bào)

AI預(yù)報(bào)的出現(xiàn)，給天氣預(yù)報(bào)帶來了全新可能。

AI擅長處理重復(fù)任務(wù)、擬合未知數(shù)據(jù)關(guān)系。它不需要像科學(xué)家那樣熟知大氣運(yùn)動中的物理原理，只要用深度學(xué)習(xí)的方法了解各種氣象數(shù)據(jù)中的關(guān)系，就能完成天氣預(yù)報(bào)的任務(wù)。

這就像短視頻平臺給我們推薦視頻，算法不需要知道我們會喜歡這類視頻的原因，它只要掌握大量的數(shù)據(jù)并學(xué)習(xí)其中的規(guī)律，就能對每個(gè)用戶投其所好。

這些特點(diǎn)讓AI預(yù)報(bào)在預(yù)測速度上有著巨大優(yōu)勢：數(shù)值預(yù)報(bào)方法無法給出分鐘級的氣象預(yù)測，而AI方法擬合雷達(dá)回波數(shù)據(jù)的能力，超過了光流法等外插方法，這讓AI方法能更快預(yù)測出天氣，甚至能在幾秒內(nèi)就預(yù)測出未來的天氣狀況。

平時(shí)手機(jī)上的天氣預(yù)報(bào)都是用數(shù)值預(yù)報(bào)預(yù)測，其預(yù)報(bào)速度比不上AI預(yù)報(bào)。但是，在中長期氣象預(yù)測上，AI預(yù)測的精度卻明顯落后于數(shù)值預(yù)報(bào)方法。

2022年，英偉達(dá)推出AI預(yù)報(bào)模型——FourCastNet ，該模型首次把預(yù)報(bào)水平分辨率提升到了和數(shù)值預(yù)報(bào)相比擬的水平。但FourCastNet預(yù)測5天天氣時(shí)，位勢預(yù)測的均方根誤差為484.5，即使使用100個(gè)模型進(jìn)行集成預(yù)報(bào)，其均方根誤差依然高達(dá)462.5，遠(yuǎn)高于歐洲氣象中心的數(shù)值預(yù)報(bào)系統(tǒng)operational IFS報(bào)告的333.7[7]。

可以說AI在天氣預(yù)報(bào)上的使用，仍處于初階階段。英國皇家學(xué)會發(fā)表的一項(xiàng)研究也表明，將深度學(xué)習(xí)應(yīng)用于氣象數(shù)據(jù)分析的研究還處在起步階段，難以判斷AI究竟能否取代傳統(tǒng)的數(shù)值預(yù)報(bào)方法[8]。

然而，華為云團(tuán)隊(duì)研發(fā)出的新AI預(yù)報(bào)模型，讓AI天氣預(yù)報(bào)迎來了新的轉(zhuǎn)機(jī)。

7月6日，國際頂級學(xué)術(shù)期刊《Nature》正刊發(fā)表了華為云盤古大模型研發(fā)團(tuán)隊(duì)的獨(dú)立研究成果。在該研究中，我們可以看到，盤古氣象大模型提供的Z500五天預(yù)報(bào)均方根誤差為296.7，顯著低于之前最好的數(shù)值預(yù)報(bào)方法（均方根誤差：333.7）和AI方法（均方根誤差：462.5）[6]。

數(shù)據(jù)來源: Bi KXie,L Zhang, H, Chen,X, GuXTian, Q.(2022).Pangu-Weather:A 3D Hiqh-Resolution Model for Fastand Accurate Global Weather Forecast. arXiv preprint arXiv:2211.02556.

注:RMSE 指均方根誤差，即標(biāo)準(zhǔn)誤差。ACC 指異常相關(guān)系數(shù)。RMSE 測量預(yù)報(bào)和真實(shí)值之間的差異的大小;ACC 并測量模型預(yù)測的氣候?qū)W差異( 即某個(gè)位置和日期的平均天氣) 與同一量計(jì)算的真實(shí)值之間的相關(guān)性。

保持精度的同時(shí)，盤古氣象大模型也有著無可比擬的預(yù)測速度。在一張V100顯卡上只需要1.4秒就能完成24小時(shí)的全球氣象預(yù)報(bào)，相比傳統(tǒng)數(shù)值預(yù)報(bào)提速10000倍以上[6]。

這一成果的背后，匯聚著研發(fā)人員對AI模型的多次訓(xùn)練。華為云的研發(fā)人員向我們解釋，他們讓盤古大模型進(jìn)行豐富的數(shù)據(jù)學(xué)習(xí)，內(nèi)容包括43年（1979-2021年）的全球?qū)崨r氣象數(shù)據(jù)，涵蓋了垂直高度上的13個(gè)不同氣壓層，每層中有溫度、濕度、位勢、經(jīng)度、緯度五種氣象要素，以及地球表面的海平面氣壓、風(fēng)速等四種氣象要素。

此外，過往的AI氣象預(yù)報(bào)模型都是基于2D神經(jīng)網(wǎng)絡(luò)，無法很好地處理不均勻的3D氣象數(shù)據(jù)。為此，華為云研發(fā)團(tuán)隊(duì)提出了3D Earth-Specific Transformer方法，也就是在原本的每一個(gè)視覺transformer模塊中新引入和緯度、高度相關(guān)的絕對位置編碼，從而更好地處理復(fù)雜的3D氣象數(shù)據(jù)。

AI方法預(yù)報(bào)中長期氣象需要多次迭代模型才能得到預(yù)報(bào)結(jié)果，但在迭代的過程中會不斷積累誤差。比如若將盤古氣象預(yù)報(bào)的1小時(shí)模型迭代168次，預(yù)報(bào)誤差就會明顯上升。

為了解決這個(gè)問題，研究人員訓(xùn)練了4個(gè)不同預(yù)報(bào)間隔的模型，分別為1小時(shí)間隔、3小時(shí)間隔、6小時(shí)間隔、24小時(shí)間隔。這樣拆分成各個(gè)不同的時(shí)間段模型分散訓(xùn)練，就能減少單個(gè)模型迭代的次數(shù)，從而減少迭代誤差。

在多次鉆研、訓(xùn)練之下，盤古氣象大模型首次在中長期氣象預(yù)報(bào)上超過了傳統(tǒng)數(shù)值方法。它強(qiáng)大的預(yù)報(bào)精度與速度，將為氣象預(yù)報(bào)結(jié)合人工智能方法創(chuàng)造無限可能。

精準(zhǔn)的天氣預(yù)報(bào)，對我們有多重要

如果盤古氣象大模型落實(shí)到應(yīng)用層面，真正實(shí)現(xiàn)秒級的精確天氣預(yù)報(bào)，會對我們的生活產(chǎn)生什么影響？

你手機(jī)上的天氣預(yù)報(bào)可能不會再以小時(shí)為單位預(yù)測，而是能實(shí)時(shí)刷新，你不必再擔(dān)心明明出門前看了天氣預(yù)報(bào)，卻還是遇到突發(fā)天氣變化。

但更重要的意義，是在極端天氣的預(yù)測上。

哪怕進(jìn)入了21世紀(jì)，人類依然不斷面臨著極端天氣的考驗(yàn)。近20年來，全球每年極端天氣災(zāi)害發(fā)生次數(shù)都在300以上，多則500多次[9]。

每一次極端天氣災(zāi)害，都將帶來巨大的損失。美國國家海洋和大氣管理局發(fā)布的報(bào)告顯示，2022年美國一年的極端天氣災(zāi)害共造成1650億美元的損失。其中，颶風(fēng)“伊恩”于去年9月摧毀佛羅里達(dá)州的部分地區(qū)，損失高達(dá)1129億美元，更造成至少150人死亡[10]。

極端天氣越來越頻繁，但我們對極端天氣的預(yù)測卻仍不夠精確。2016年“莫蘭蒂”臺風(fēng)襲來時(shí)，剛開始各大數(shù)值預(yù)報(bào)模式均預(yù)期臺風(fēng)會在臺灣以東海域轉(zhuǎn)向，然而隨后兩三日預(yù)報(bào)卻大幅將其路徑向西調(diào)整，結(jié)果“莫蘭蒂”臺風(fēng)重創(chuàng)中國東南沿岸、中國臺灣地區(qū)、菲律賓巴丹群島。

所以，應(yīng)對極端天氣狀況，需要一個(gè)更精準(zhǔn)的預(yù)報(bào)模型，而盤古在預(yù)測極端天氣時(shí)，就有著出色的表現(xiàn)。

在《Nature》刊登的期刊中，盤古氣象大模型計(jì)算了RQE值來衡量不同預(yù)報(bào)方法的極端天氣預(yù)測趨勢，RQE值越接近0表示模型預(yù)報(bào)更準(zhǔn)確。結(jié)果顯示盤古氣象大模型在U10上的RQE值比FourCastNet更接近0，這代表盤古氣象大模型在確定性預(yù)報(bào)上有著更高的精度[6]。

不只是理論上的數(shù)值，盤古氣象大模型在一些實(shí)際運(yùn)用中也有著不錯(cuò)戰(zhàn)績。

在預(yù)測臺風(fēng)“馬鞍”的軌跡和登陸時(shí)間，盤古氣象大模型準(zhǔn)確率達(dá)90%，遠(yuǎn)超行業(yè)平均水平；在近期另一個(gè)臺風(fēng)“瑪娃”的路徑預(yù)報(bào)中，中央氣象局指出，華為云盤古大模型提前五天預(yù)報(bào)出臺風(fēng)將在臺灣島東部海域轉(zhuǎn)向的路徑。

歐洲中期天氣預(yù)報(bào)中心的對比數(shù)據(jù)也顯示，在預(yù)測2022年芬蘭寒潮的時(shí)候，盤古氣象大模型比歐洲中期天氣預(yù)報(bào)中心更快預(yù)測出溫度下降趨勢，提前預(yù)測出寒潮的可能[11]。

數(shù)據(jù)來源: 歐洲中期天氣預(yù)報(bào)中心
注: 為了檢驗(yàn)數(shù)據(jù)驅(qū)動的模型預(yù)測極端( 氣候) 事件的能力，盤古團(tuán)隊(duì)以今年年初芬蘭出現(xiàn)-29 攝氏度的事件作為案例來研究，發(fā)現(xiàn)盤古氣候大模型能更早地預(yù)測到該事件的嚴(yán)重性，但I(xiàn)FS 和盤古都同樣顯著錯(cuò)估了氣溫。

在第19次世界氣象大會上，歐洲中期天氣預(yù)報(bào)中心主任弗洛倫斯·哈比耶展示了華為云盤古氣象大模型與歐洲中期天氣預(yù)報(bào)中心的實(shí)時(shí)運(yùn)行檢驗(yàn)對比情況，前者驚人的預(yù)報(bào)能力令現(xiàn)場參會人員驚嘆如今人工智能技術(shù)的發(fā)展。

弗洛倫斯·哈比耶評價(jià)道：“人工智能技術(shù)為發(fā)展中國家提供了重要機(jī)遇，因?yàn)樗辉傩枰笠?guī)模的超算資源，還為提升全球預(yù)報(bào)能力提供了難得的機(jī)遇?！?/p>

華為輪值董事長胡厚崑也在人工智能大會上表達(dá)了對盤古大模型的期許，他認(rèn)為人工智能的發(fā)展，關(guān)鍵要“走深向?qū)崱保x能產(chǎn)業(yè)升級。當(dāng)前階段，在人工智能領(lǐng)域，華為有兩個(gè)著力點(diǎn)：第一，打造強(qiáng)有力的算力底座，支撐中國人工智能產(chǎn)業(yè)的發(fā)展。第二，從通用大模型到行業(yè)大模型，讓人工智能服務(wù)好千行百業(yè)，服務(wù)好科學(xué)研究?！拔覀兿Ｍ?，AI for Science，能為科學(xué)家，科學(xué)工作者帶來更多新思路、新方法、新工具，也為我們產(chǎn)業(yè)輸入新的動力?！?/p>

正如胡厚崑輪值董事長所說，人工智能的發(fā)展要走深向?qū)崳屓斯ぶ悄転榍邪贅I(yè)的生產(chǎn)活動服務(wù)，為科研創(chuàng)新服務(wù)。

一個(gè)具有前瞻性的天氣預(yù)報(bào)AI模型的誕生，不僅能讓我們更深入了解那喜怒無常的天氣，減少因天氣的變化莫測而帶來的災(zāi)害，同時(shí)它也將給各行各業(yè)帶來新變化，讓人們切實(shí)感受到“精準(zhǔn)預(yù)報(bào)天氣”帶來的便利。

[1]BBC.(2022).天氣預(yù)報(bào)出錯(cuò)，匈牙利氣象局局長被解職.

[2]Weather Forecast Office. (2023)The Forecast Process: Observing and Analysis. Weather Forecast Office.

[3]張濤, & 張格苗. (2020). 為什么有些天氣很難準(zhǔn)確預(yù)報(bào)？. 中國氣象報(bào).

[4]Buizza, R. (2001). Chaos and weather prediction-A review of recent advances in Numerical Weather Prediction: Ensemble forecasting and adaptive observation targeting. Il nuovo cimento C, 24(2), 273-302.

[5]Bauer, P., Thorpe, A., & Brunet, G. (2015). The quiet revolution of numerical weather prediction. Nature, 525(7567), 47-55.

[6]Kaifeng Bi, Lingxi Xie, Hengheng Zhang, Xin Chen, Xiaotao Gu, Qi Tian.(2023).Pangu-Weather: A 3D High-Resolution Model for Fast and Accurate Global Weather Forecast.

[7]Pathak, J., Subramanian, S., Harrington, P., Raja, S., Chattopadhyay, A., Mardani, M., ... & Anandkumar, A. (2022). Fourcastnet: A global data-driven high-resolution weather model using adaptive fourier neural operators. arXiv preprint arXiv:2202.11214.

[8]Schultz, M. G., Betancourt, C., Gong, B., Kleinert, F., Langguth, M., Leufen, L. H., ... & Stadtler, S. (2021). Can deep learning beat numerical weather prediction?. Philosophical Transactions of the Royal Society A, 379(2194), 20200097.

[9]國際災(zāi)害數(shù)據(jù)庫.(n.d.).極端天氣災(zāi)害統(tǒng)計(jì).

[10]美國國家海洋和大氣管理局.(2023).去年美國極端天氣共造成1650億美元損失.

[11]ECMWF.(2023).The rise of machine learning in weather forecasting.