谷歌的斯蒂芬·霍耶对长期气候的看法

　　正如我们所知，气候变化将扰乱我们的生活方式，带来前所未有的热浪、海平面上升和更严重的风暴。虽然可以预测未来几年将有哪些土地被淹没在水下，但干旱和洪水的爆发却很难准确预测。

　　为了解决这个盲点，谷歌的研究人员开发了NeuralGCM，一种基于机器学习的方法，旨在模拟地球的大气层。

　　NeuralGCM将传统的基于物理的天气模型与机器学习技术相结合，以生成非常精确的2至15天的天气预报，并具有更长的时间尺度的潜力，最终将扩大到一个完整的气候模型，模拟海洋和碳循环。

　　参与该项目的谷歌研究院(Google Research)高级软件工程师斯蒂芬·霍耶(Stephan Hoyer)表示:“NeuralGCM是首批显示出这种长期气候预测前景的人工智能模型之一”，这将为政府、基础设施提供商和企业带来好处。

　　虽然对云形成等过程的不完整的物理理解限制了传统的气候模型，但NeuralGCM从历史数据中学习的能力有助于更详细地了解天气事件的最终过程。

　　霍耶解释说:“从技术角度来看，我们将人工智能的各个方面与几十年来用于天气预报和气候建模的传统数值模拟相结合。”

　　NeuralGCM的工作原理与传统模型类似，它将地球大气分成立方体，并计算大规模的天气过程。然而，它不是依赖于估计的参数化，而是使用神经网络来学习这些事件的物理性质。这意味着该模式可以解释小尺度特征对全球天气和气候模式的影响。

　　有了这些见解，该模型可以在更长的时间尺度上预测天气模式，并且该模型应该有可能预测明年是否会比平均水平更干燥，或者随着气候变化加剧，未来几十年的趋势会是什么。

　　虽然许多科技公司都在尝试使用人工智能进行天气预报，比如英伟达最近宣布的StormCast，但霍耶解释说，由于NeuralGCM的长期关注，谷歌研究的模型解决了一个不同的问题。

　　根据Hoyer的说法，与成功预报天气的类似方法相比，“真正的不同”在于谷歌已经能够在大量历史数据上训练模型，这些数据允许大气模型进行修正，以模拟100公里以下形成的天气现象，如雾、云和雨。

　　Hoyer还强调，NeuralGCM比现有的气候模型要快得多，比一些具有类似精度的现有气候大气模型快10万倍。

　　“这是一个革命性的速度差异，”霍耶补充道。“这将允许科学家进行大量的实验和探索。这就像把超级计算机放到笔记本电脑上。”

　　NeuralGCM成功的核心是Google Research决定在Google的机器学习框架JAX中从头开始重写数值求解器。

　　霍耶解释说，使用现有天气和气候模型的挑战之一是，它们可能相当过时，运行在几十年来由团队建立的旧代码上。

　　除此之外，这些现有的模型有精度限制，它们在cpu而不是gpu上运行意味着它们不是很节能。为了达到预期的结果，团队需要能够联合调整天气模型和人工智能组件。研究人员发现，用JAX重写系统有助于优化这一点。

　　虽然极端天气事件的增加是由于全球变暖造成的，但到目前为止，对洪水和风暴的长期预测很难建立模型。

　　此外，Hoyer强调，目前的天气预报缺乏对气候变化局部影响的理解。

　　“这就是为什么我们需要更好、更快的气候模型，”他说。“我希望我们能够使用像NeuralGCM这样的模型来解决这个问题。”

　　他接着说:“我认为这对任何想要弄清楚如何应对气候变化的人都是有意义的，包括工业、政府和个人。”

　　可再生能源供应商试图追踪未来的太阳能或风能发电能力，保险公司和计划新基础设施项目的公司也有可能利用这种长期洞察力。

　　目前，虽然该模型到目前为止取得了令人鼓舞的成功，但霍耶承认，将人工智能用于天气和气候建模仍处于非常早期的阶段，预计将有更多的步骤将其扩展到商业上。

　　他说，目前，谷歌研究中心的重点是使气候科学家能够在这项工作的基础上继续发展，NeuralGCM目前已经开放了非商业用途。

　　谈到人工智能与气候预测的进一步整合，霍耶补充说:“我认为这将很快发生，可能在未来几年内，我们将看到人工智能天气和气候模型开始渗透到整个行业的全面用例中。”