极端天气事件在变得越来越频繁和强烈，相信很多人都有所感受。

研究人员在努力寻找更快和准确预测这些事件的方式，AI 也带来一种新可能性。

今年 5 月，微软不仅为 Copilot 带来更新，也发布了一个天气预测工具 Aurora。

这些 AI 工具做的就是识别模式。它们可太擅长这个了。

参与 Aurora 项目的微软研究员 Paris Perdikaris 说道。

为了训练 Aurora，微软为其提供了超过 100 万小时的气候数据，总量大概是最新 GPT 模型的 16 倍。

现在，Aurora 可以用比传统方式快 5000 倍的速度来预测未来 5 天全球空气污染情况和 10 天的天气情况。

The Weather Company 之前的 AI 天气模型可大概预测到即将到来的风暴强度，但预测还是过于粗糙，无法提供足够的风速和降雨信息。

今年和英伟达达成合作后，更强大的算力让 AI 预测运算更快，因此结果能做到更准确和仔细。

维朗诺瓦大学的团队，则瞄准了风暴这一种气候现象。

这个模型想做的主要是通过识别风暴的规模和形状，以此判断其影响力，譬如是否会形成龙卷风或者冰雹。

在过去，这个任务主要靠学生们人工去识别和分析风暴图片，现在则由 AI 接手：

你一次又一次地去训练它，它的表现真的非常，非常好。

在机器学习帮助下，预测的警告时间已经从原本的发生前 15 分钟提前到 1 小时，也为居民提供更多的应对时间：

当然，你没法把农场搬走，但你可以把家禽带回室内。

「速度」是这类 AI 工具优势最显著的地方。

在过去 50 年以来，天气预测的主流采用的都是大气环流模式（General Circulation Model，GCM）。

这组复杂的数学模型需要用到大量气候数据，还得调用超级电脑来运算，虽然更准确，但时间和能源耗费都巨高。

与此同时，因为计算需要大量数据，但这些从世界各地气象站、高空气球、海洋浮标和卫星等地收集回来的数据还是会有不准确的地方。其中的小错误可能在计算过程中变成大失误。

相比之下，新的 AI 天气预测工具可能在笔记本电脑上就能运行，但其准确度仍待观察。

微软表示，Aurora 将在未来几个月开始对公众开放，也希望气候研究人员会用它进行测试。Perdikaris 表示：

最终还是由他们来决定是否要将 Aurora 这类 AI 模型融入工作流里。

我个人的预测是，大概未来 2-5 年 AI 就可融入其中。

和微软 Aurora 这种「纯机器学习」模式相比，Google DeepMind 则在尝试用一个更综合的模式。

上个月，Google DeepMind 在其新论文中指出，它的新模型「NeuralGCM」在 1-10 天的气候预测上，比纯机器学习模型以及当今在用的一些模型更准确。

奥克拉荷马大学气象学助理教授 Aaron Hill 表示，DeepMind 这个模型的创新之处，在于融入 AI 的同时，也保留了一些流体动力学的计算。

在一些大型的大气改变预测上，模型依旧用传统方式来计算，而在更小的范畴中，譬如在小于 25 公里的范围内的云层形成或地域微气候上，模型会融入 AI 预测。

我们具有选择性地融入 AI 来纠正小尺度上可能会积累错误的地方。

Google 研究员 Stephan Hoyer 说道。

据论文，NeuralGCM 可在保持预测准确度的同时，大量减少对算力的需求。

虽然现在 AI 的优势显现于小范围计算，但 Hill 认为，这样的 AI 工具最有意义的地方在于，减少了算力负担，它们有潜力去搭建和运算长期和大规模的气候模型。

想在长时间维度里一次又一模拟全球（气候）在算力负担上真的非常重。

我们也没必要丢掉我们在过去 100 年里学习积累的关于大气的知识。我们可以将它和 AI 以及机器学习融合起来。

在气候危机下，除了气象预测机构需要有更多工具以外，大宗商品交易商、农业规划业和保险业都愿意为更快和更准确的天气预测模型买单，这个领域也在快速发展。

人们对 AI 的需求是有的，但我感觉大家都还在观望阶段。