谷歌DeepMind在周一推出了一种新的人工智能驱动的天气预报系统，能够以传统工具的八倍速度生成全球天气预测。

该系统被称为WeatherNext 2，旨在帮助机构更快地为严峻天气条件做好准备，因为世界仍在应对日益频繁的自然灾害，这些灾害是由气候变暖加剧引发的。

为此，它从一个起始点生成数百种可能的情景，每种情景在单个Tensor处理单元上计算，时间少于一分钟。Tensor处理单元是谷歌开发的专用芯片，用于加速机器学习和人工智能工作负载。

“我们依赖准确的天气预测来做出关键决策——从供应链到能源网再到作物规划，”谷歌DeepMind研究科学家彼得·巴塔利亚在X上写道。“人工智能正在改变我们预测天气的方式。”

在谷歌产品中的部署

WeatherNext 2的预测已经在搜索、Gemini、Pixel天气和谷歌地图天气API中运行，未来将提供更广泛的支持。

“我们正在与谷歌团队合作，将WeatherNext集成到我们的预测系统中，”WeatherNext 2产品经理阿基布·乌丁在一份声明中表示。“无论你是在搜索、Android还是谷歌地图，天气影响着每个人，因此通过提供更好的天气预测，我们能够帮助每一个人。”

DeepMind表示，传统模型可能需要数小时，这限制了情景更新的频率。通过使用先进的人工智能，WeatherNext 2的表现超越了其早期的操作模型WeatherNext Gen。

“它的速度比我们去年发布的概率模型快大约八倍，在分辨率方面，它的分辨率高出六倍，”巴塔利亚在声明中说。“因此，它不是以六小时为步长，而是以一小时为步长。它在我们测试的99.9%的变量上超越了之前的WeatherNext Gen。”

在实际应用中，这意味着新系统几乎在每个地方和15天窗口的每个点上都能产生更准确的温度、风速、湿度和气压预测。

DeepMind将这些进展归因于一种新的建模方法，该方法在6月的一篇研究论文中描述，称为功能生成网络（FGN），它改变了系统表示不确定性和生成预测变体的方式。

一种新的建模方法

根据谷歌的说法，FGN仅在单变量预测或“边际”上进行训练，例如特定位置的温度、风速或湿度。

尽管如此，该模型学习了这些变量之间的相互作用，使其能够预测更广泛的、相互关联的模式，例如区域热事件和气旋行为。

谷歌表示，FGN在极端两米温度预测上与GenCast相匹配，而在极端十米风速预测上则超过了GenCast，具体取决于变量。

该模型在提前期的校准上表现更强，并且在对更大区域而非单个点进行预测评估时表现更好。

使用连续排名概率分数——一种标准的准确性指标，用于检查模型预测结果的全范围与实际发生情况的匹配程度——该论文报告了与GenCast相比，平均池化CRPS的平均改进为8.7%，最大池化CRPS的平均改进为7.5%。

气旋预测性能

FGN还改善了热带气旋的预测。

与国际最佳轨迹气候管理档案的历史轨迹相比，集合均值预测在三到五天的预测中减少了约24小时的位置信息误差。

以12小时时间步长运行的FGN版本显示出比六小时版本更高的误差，但在超过两天的提前期上仍然优于GenCast。

轨迹概率预测在大多数成本-损失比和提前期上显示出更高的相对经济价值。

DeepMind表示，使用该技术构建的实验性气旋预测工具已与气象机构共享。

“你会得到更准确的预测，而且速度更快，这帮助每个人做出正确的决策，尤其是当我们开始看到越来越多的极端天气时，”乌丁说。“我认为更好的天气预测有一整套应用范围。”

免责声明：本文章仅代表作者个人观点，不代表本平台的立场和观点。本文章仅供信息分享，不构成对任何人的任何投资建议。用户与作者之间的任何争议，与本平台无关。如网页中刊载的文章或图片涉及侵权，请提供相关的权利证明和身份证明发送邮件到support@aicoin.com，本平台相关工作人员将会进行核查。