极端天气事件正在变得越来越频繁和强烈，相信很多人都感受到了。
近年来，全球气温不断上升，导致极端天气事件频繁发生，例如暴雨、干旱、热浪和飓风等。这些事件给人类社会造成了巨大的经济损失和生命财产安全风险，也对生态环境产生了严重影响。
为了更好地预测和应对极端天气事件，研究人员一直在努力寻找更快、更准确的预测方法。人工智能技术的发展，为天气预报带来了新的可能性。
今年 5 月，微软发布了一个名为 Aurora 的天气预测工具，并为其人工智能助手 Copilot 带来了更新。Aurora 的核心技术是利用人工智能识别天气模式，这正是人工智能的强项。
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。经过大量数据的训练，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。
Aurora 的出现，并非是 AI 在天气预测领域的首次尝试。而此前，The Weather Company 的 AI 天气模型已经可以预测即将到来的风暴强度，但预测结果过于粗糙，无法提供足够的风速和降雨信息。
今年，The Weather Company 与英伟达达成合作，获得了更强大的算力支持。这使得 AI 预测运算速度更快，结果更准确和细致。
除了对整体天气状况的预测，一些研究团队也开始将目光聚焦在特定气候现象上。例如维朗诺瓦大学的团队，就将研究重点放在了风暴上。他们开发了一个 AI 模型，通过识别风暴的规模和形状来判断其影响力，例如是否会形成龙卷风或冰雹。
在过去，识别和分析风暴图片需要由学生人工完成。而现在，AI 可以接手这项工作。
你一次又一次地去训练它，它的表现真的非常，非常好。
借助机器学习，风暴预警时间已经从原本的发生前 15 分钟提前到 1 小时，为居民提供了更多应对时间。
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 天气预测工具最显著的优势。在过去 50 年以来，天气预测的主流采用的是大气环流模式（General Circulation Model，GCM）。
这种传统的预测方法需要用到大量气候数据，并调用超级计算机进行运算，因此在准确性方面表现出色。但是，它也存在着计算时间长、能源消耗高、数据依赖性强等问题。数据中微小的误差可能会在计算过程中被放大，导致最终结果出现较大偏差。
相比之下，新的 AI 天气预测工具能够在笔记本电脑上运行，并且具有更快的运算速度。然而，它们的准确性还需要进一步观察。微软表示，Aurora 将在未来几个月开始对公众开放，并希望气候研究人员对其进行测试。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。
除了微软的“纯机器学习”模式，Google DeepMind 也在尝试用更综合的模式进行天气预测。
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，在融入 AI 的同时，也保留了一些流体动力学的计算。模型在进行一些大型的大气改变预测时，依旧采用传统方式进行计算。而在更小的范围内，例如小于 25 公里的范围内，模型会融入 AI 预测来处理云层形成或地域微气候等问题。
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。
虽然目前 AI 的优势主要体现在小范围计算上，但 Hill 认为，这类 AI 工具最有意义的地方在于，能够减少算力负担，并具备搭建和运算长期和大规模气候模型的潜力。
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更多工具外，大宗商品交易商、农业规划业和保险业等也愿意为更快、更准确的天气预测模型买单。这个领域正在快速发展。
人们对 AI 的需求是有的，但我感觉大家都还在观望阶段。
