新火種
2023-09-08 
AI大模型在未來氣象領域，前景如何？
這段時間，有關人工智能（AI）在氣象領域取得進展的新聞報道引發了業內外熱烈討論。
圖片來源：圖怪獸
有人為AI在氣象領域的應用突破而興奮，但也有人對有關技術的可靠性表示質疑。這一討論，隨著多個AI氣象大模型于2022年后的相繼亮相而進入高潮。
所謂“AI氣象大模型”，簡單來說，指的是基于AI的天氣預報模型。其核心是基于數據驅動的深度學習算法。
事實上，歐洲中期天氣預報中心（ECMWF）在2021年就發布了機器學習未來10年路線圖，概述了在天氣預報中使用機器學習的計劃，提出到2031年，機器學習將完全融入到數值天氣預報和氣候服務中，并在工作流程的許多領域改進預測及其釋用。
2022年以來，國內一些企業、機構相繼發布AI氣象大模型，并初步得到實踐檢驗。
那么，目前的AI氣象大模型有哪些特點？AI在氣象領域又有怎樣的應用前景？本期圓桌論壇，我們邀請各界專家、學者，暢談感受，碰撞觀點——
（注：以下僅為受訪者個人看法，不代表本報觀點）
嘉賓
同濟大學軟件學院副院長 穆斌
華為云計算公司高級研究員 謝凌曦
復旦大學人工智能創新與產業研究院研究員 李昊
中科星圖維天信科技股份有限公司高級副總裁 匡秋明
中國氣象科學研究院人工智能氣象應用研究所研究員 梁釗明
中國氣象局氣象發展與規劃院國際氣象發展研究團隊高級工程師 唐偉
上海中心氣象臺臺長 馬雷鳴
中國氣象局上海臺風研究所副所長 黃偉
上海市氣象局科技發展處處長 張暉
01
AI氣象大模型的特點
馬雷鳴：現有AI氣象大模型的特點：一是依靠海量數據驅動。目前的氣象大模型都是基于海量數據驅動的深度學習算法，一般需要數十年的大量歷史數據樣本訓練，海量數據依賴是這些大模型的主要特點，而數據質量也在一定程度上決定了大模型的效果。
二是需要強大算力支撐。盡管模型預測所需要的計算資源和時間不長，但大模型的反復訓練調試離不開強大的算力支持。例如，盤古大模型用192塊V100顯卡訓練需要16天。三是踩著“巨人”肩膀。大模型在研發中，常基于先進數值預報等技術產品應用。謝凌曦：AI模型的特點主要包括兩方面。第一，大部分AI模型不需要滿足物理方程的約束，而是通過數據驅動的方式進行訓練。這使得AI方法容易從大數據中獲取知識，但同時可解釋性會欠缺。第二，相較于傳統數值仿真方法，AI方法的推理速度非常快，在氣象預報上往往能夠提速3到4個數量級，訓練完成后進入預測階段不再需要大規模計算集群。匡秋明：目前在氣象領域取得突破的AI模型包括從衛星、雷達圖像中識別天氣現象等智能感知模型，AI短臨、短期、中期、延伸期、氣候預測等智能預報模型，ChatGPT等智慧問答模型。近期大家最關注的AI氣象大模型，其主要的特點為：模型迭代改進速度快；取得了與歐洲中心高分辨率模式相仿或部分超越的天氣預報性能；預報生成速度快，可以快速完成全球0到15天天氣預報。穆斌：目前面世的AI氣象大模型具備超高參數量、超大樣本集、超長訓練輪次等特點。我認為這些模型“驚人的預報技巧”可歸功于以下兩點：一是規避了使用循環神經網絡構建AI模型，從而會累積大量迭代誤差的常規方法，采用“自回歸”的方式進行預測，即，利用輸入歷史資料中潛在的時空特征，隨即直接推斷下一步或者后一時間序列的發展。由于這種方式無需約束輸入數據與預測結果之間的時序連貫性，可靈活調整時間間隔，極大提升了超長時效的預報技巧。二是近10年來深度學習模型架構的探索與發展。AI模型可以跟進深度學習社區最先進、最前沿的研究，利用最先進的組件、模塊、架構甚至調參經驗，盡可能地提升氣象預報技巧；但同時因為大部分人員不是專業計算機科學出身，開發氣象AI專用模型架構的自主能力較差，只能利用現有的成果。但從最近的發展趨勢來看，越來越多AI專家投身氣象領域并積極開展深入的交叉合作。
02
AI氣象大模型VS數值天氣預報
黃偉：數值天氣預報通過對海量多源觀測資料的處理和資料同化，形成高精度格點分析場，在此基礎上利用數值模式對未來天氣的演變進行預報。經過近百年發展，已形成一套完整的工作流。目前發布的AI氣象大模型，其輸入的是數值預報提供的格點再分析情況，輸出的是相同格點、相同要素的預報情況，本質上是，“在數值天氣預報建立的數據空間下的機器學習”，因而，在預報上存在一些局限性。
同時，目前的AI氣象大模型都缺乏長期驗證和應用，結果高度依賴再分析數據而非基于真實物理過程，也未涉及關鍵的資料同化過程，存在對極端天氣估計偏弱等問題。因此，目前的氣象大模型還不能取代數值預報的全部工作流。
此外，地球系統因其非線性特征而極其復雜，初值信息遠超目前氣象大模型學習的0.25°分辨率格點資料，目前的AI氣象大模型，還不能滿足如此海量的觀測數據進入氣象預報。
但同時，AI提供了相比傳統數值模式更高效、更智能化的工作流：從多源觀測資料的處理，再到資料同化算法的改進，最后到對非線性復雜問題的處理和極端事件的預報，都顯示出巨大潛力。在可見的未來，AI氣象預報方法和傳統數值天氣預報有機結合，形成兩者充分融合的預報系統，仍是短期內數值預報取得突破最有可能的方向。
穆斌：數值模式遵守氣象動力理論，具備嚴謹的數學表達，并依托偏微分方程進行時間積分，以流體力學編程技巧實現，具備超高可信度。
相反地，盡管“黑盒”AI模型的預報技巧有所突破，但其內部的決策機制往往是未知的，也意味著氣象學家無法得知其做出預報的動力依據，可信度大打折扣。同時，雖然“更準確的預報”是氣象研究的第一宗旨，但能夠明確潛在的動力機制對于農業生產、防災減災等更為關鍵。因此，我認為AI模型不能，至少在短時間內無法取代數值預報模式的地位。
李昊：我認為AI氣象大模型和數值預報不是“取代”而是相輔相成的關系。數值天氣預報更符合物理規律，同時不需要大量訓練數據。大模型推理速度快、計算資源需求小，同時隨著訓練數據增多能持續提升效果。隨著技術進一步發展，兩者會共同促進天氣預報的發展。
梁釗明：我認為AI模型在短期內無法取代數值預報。首先，現有AI氣象大模型的訓練、預測都需要基于數值模式生成的再分析數據“喂養”，也受制于“喂養”大模型的數據分辨率，目前發布的氣象大模型基本為6小時、0.25°時空分辨率外推，還達不到逐小時、3千米甚至重點地區1千米的高時空分辨率預報。
再有，現有的AI氣象大模型可預報的天氣現象以及氣象要素較少，如公眾日常關注的降水、地面大風等要素還未曾做出預報和開展有效評估。
但目前氣象大模型針對大尺度環流、在長時間尺度的預報優勢較為明顯，普遍能達到10到15天，而在這一時段，數值模式的預報誤差普遍偏大。
唐偉：現在還看不到AI模型能完全替代數值預報的跡象。氣象大模型現在仍有3點局限性：數據集不夠長、過擬合問題、可解釋性。
目前發布的這些AI氣象大模型都依賴于傳統物理模型生成的數據集和初始場，才取得了比數值預報更高的預報準確率。也就是說，這些模型不是真正的數據驅動，而是站在“巨人的肩膀上”才看得更遠。
03
AI在氣象領域的應用前景如何？
穆斌：AI模型最顯著的優勢即為運行效率高。因此，除了構建純數據驅動的AI氣象模型外，也可使用AI組件替代動力數值模式中的耗時參數化方案，從效率、準確性等方面全方位升級數值模式。這種智能數值模式本身維持了原模式的動力框架，具備可解釋性。
此外，可發揮AI模型高度非線性的優勢，從現階段積累的海量多模態氣象資料樣本中汲取經驗，進一步提升數值模式的預報技巧。如構建AI資料同化方法，研發AI偏差訂正與降尺度模塊，發展融合AI模型與動力模式的集合預報系統等，尤其可以用在機理尚不明確的氣象研究中。
圖片來源：即時AI繪圖
張暉：多模態是生成式人工智能輸入和輸出的重要表達形態。利用AI，文本、圖片、音頻、視頻等信息有望在AI技術加持下，根據用戶需求持續修正模型，輸出各類形態的產品；即便是文本、圖片、視頻類的天氣實況，也可及時投入改善預報模型，并秒級給出修正結果；氣象服務也將更智慧，如隨時保持與用戶在線溝通，提供多模態的服務產品等。
唐偉：AI從氣象觀測、預報到服務都有很廣的應用前景。觀測，AI和物聯網結合，實現社會化觀測；預報，AI和物理模型混合建模；服務，如結合自然語言生成ChatGPT對話式的定制氣象服務。總的來說，提質增效。
謝凌曦：AI方法速度很快，一旦應用到日常業務中，會大大加快氣象預報系統的響應速度。此外，隨著更多氣象數據的公開共享，AI算法的能力還會進一步增強，甚至可以出現結合同化、預報、后處理等模塊的端到端氣象預報算法。
李昊：人工智能為氣象領域提供了一個新的研究工具，氣象領域的數據非常豐富，場景也多，特別適合人工智能這個新工具去發揮更大作用。
梁釗明：AI氣象大模型可以彌補現在預報的一些短板。比如AI氣象大模型生成未來天氣預報的計算效率非常高，可大大縮短天氣預報制作的時間。另一方面， AI可以用來求解描述大氣運動的偏微分方程，或在一定的物理約束條件下，利用AI來更好地擬合這種物理關系，這樣基于數學和物理基礎推導出的結果，會更為合理，預報員用起來也會更有底氣。
中國氣象報社 出品
策劃/統稿：谷星月
編輯：何長劍
鳴謝：武蓓蓓 郭曼如 王瑾 張藝博 趙寧
審核：段昊書
相關推薦
- 免責聲明
- 本文所包含的觀點僅代表作者個人看法，不代表新火種的觀點。在新火種上獲取的所有信息均不應被視為投資建議。新火種對本文可能提及或鏈接的任何項目不表示認可。 交易和投資涉及高風險，讀者在采取與本文內容相關的任何行動之前，請務必進行充分的盡職調查。最終的決策應該基于您自己的獨立判斷。新火種不對因依賴本文觀點而產生的任何金錢損失負任何責任。
