5000 次風暴，谷歌訓出 AI 預言家，天氣預報 ChatGPT 時刻？

新智元·2025 年 06 月 13 日 20：21

AI 驅動的氣旋預測

AI 也能預測颱風！在性能上，谷歌首次推出了明確超越主流物理模型的 AI 颱風預測模型。這有望拯救數萬生命。

昨天，谷歌 DeepMind 與谷歌研究團隊正式推出互動式氣象平臺 Weather Lab，用於共用人工智慧天氣模型。

在熱帶氣旋路徑預測方面，谷歌這次的新模型刷新 SOTA，是首個在性能上明確超越主流物理模型的 AI 預測模型。

論文連結：https://storage.googleapis.com/deepmind-media/DeepMind.com/Blog/how-we-re-supporting-better-tropical-cyclone-prediction-with-ai/skillful-joint-probabilistic-weather-forecasting-from-marginals.pdf

博客連結：https://deepmind.google/discover/blog/weather-lab-cyclone-predictions-with-ai/

專案位址：https://deepmind.google.com/science/weatherlab

熱帶氣旋極其危險，所經之處，徒留廢墟。

2024 年 10 月 8 日 NOAA GOES-16 衛星捕獲的颶風 Milton 影像

據世界氣象組織統計，在過去50年中，熱帶氣旋造成了1.4萬億美元的經濟損失，共造成1945次災難，奪去約80萬人生命。而且受此威脅的人數，還在攀升。

這些龐大且旋轉的風暴，也被稱為颶風或颱風，通常在溫暖的海洋水域形成，由熱量、濕度和對流共同驅動。

在溫暖的海洋上，當水汽冷凝，能量的釋放啟動正反饋迴圈，熱帶氣旋得以形成

它們對大氣條件的微小變化極為敏感，因此精準預測其軌跡和強度一直是氣象學界公認的難題。然而，提高氣旋預測準確性將有助於通過更有效的防災準備和及時疏散來保護受災社區。

論文連結：https://uhero.hawaii.edu/wp-content/uploads/2023/09/hurricane_forecasts-7.pdf

提前15天，50種天氣推演

Weather Lab 平臺搭載了基於隨機神經網路的最新 AI 熱帶氣旋模型，可預測氣旋生成、移動路徑、強度變化、規模及形態特徵——

最多能提前15天生成50種可能的情景推演。

以下動畫展示了 AI 模型預測結果。

當颶風「洪德」和「加朗斯」在馬達加斯加以南海域活動時，模型（藍色軌跡）準確預測了它們的移動路徑。

該模型還成功捕捉到印度洋上「裘德」和「伊馮」兩個氣旋的未來軌跡——

提前近七天就穩健預測出最終會增強為熱帶氣旋的暴風雨區域。

即時與歷史氣旋預測

Weather Lab 展示了不同 AI 天氣模型的即時與歷史氣旋預測，同時也包括來自歐洲中期天氣預報中心（ECMWF）的物理模型預測。

目前，他們有多個 AI 天氣模型在實時運行：WeatherNext Graph、WeatherNext Gen 以及最新的實驗性氣旋模型。 Weather Lab 還提供了超過兩年的歷史預測數據，供專家和研究人員下載和分析，從而外部評估模型在所有海洋流域的表現。

下面的動畫展示了新模型對 Alfred 氣旋在珊瑚海成為三級氣旋時的預測。

模型的集合均值預測（粗藍線）準確預見到 Alfred 氣旋迅速減弱為熱帶風暴，並於七天后在澳大利亞布裡斯班附近登陸的過程，同時準確預測在昆士蘭海岸登陸的高概率區域。

Weather Lab 使用者可以探索並比較各類 AI 與物理模型的預測。當這些預測被綜合考慮時，有助於氣象機構和應急服務專家更好地預判氣旋路徑與強度，從而更好地應對不同情景，傳播風險資訊，並支援管理氣旋影響的決策。

使用該工具時，請牢記下面提醒，尤其是在依據 Weather Lab 的預測做出決策時：

Weather Lab 是一款研究工具。展示的實時預測由仍在開發中的模型生成，並非官方預警。

如需獲取官方天氣預報和預警，請諮詢當地氣象機構或國家氣象服務部門。

AI 驅動的氣旋預測

在基於物理的氣旋預測中，要滿足操作需求所需的近似處理，單個模型難以同時準確預測氣旋路徑和強度。

這是因為氣旋路徑由大尺度大氣引導流控制，而氣旋強度則取決於其緊湊核心內外的複雜湍流過程。

全球低解析度模型在預測氣旋路徑方面表現最佳，但無法捕捉控制氣旋強度的精細過程，因此需要區域高解析度模型的輔助。

這次谷歌團隊發明瞭 FGN，這是一種新型的架構、訓練和推理方法相結合的天氣概率建模方法，速度更快、靈活性更高。

FGN 分別通過不同機制建模認知不確定性與隨機性不確定性（見下圖 1）：前者通過模型集成實現，後者則採用與隨機函數相關的技術。

在熱帶氣旋路徑預測方面，FGN 的平均路徑預測和路徑概率預測均顯著優於現有模型（p < 0.05），是首個在性能上明確超越主流物理模型的AI預測模型。

圖 1 | FGN 生成過程概覽：從一對輸入幀（Xt₋₂：t₋₁）生成單步預測集合的流程

在兩個層級上， FGN 引入多樣性，分別建模不確定性中的隨機性（aleatoric uncertainty）與認知不確定性（epistemic uncertainty）。

對於某個特定模型 Mj，隨機性不確定性在預測軌跡的每一步中通過採樣一個低維雜訊向量εti 引入，該向量用於模型前向傳播過程中的參數共用條件歸一化。這可以理解為對神經網路權重施加擾動，從而獲得參數 θti，因此可視為對神經網路參數的採樣。

若要在隨機性不確定性下生成 N 個集合成員，只需獨立地對 N 個不同的 εti 進行條件生成即可。認知不確定性通過集成多個獨立訓練的模型 Mj 的輸出進行建模，每個模型擁有自己的一組參數 {θ*j， Δj}，並按上述方法分別生成集合成員的子集。

評估結果

新的實驗性氣旋模型能同時兼顧路徑與強度預測，內部評估顯示它在氣旋路徑與強度預測方面目前最佳。

它訓練於兩類不同數據：

一是由數百萬觀測數據重建的全球再分析數據集;

二是包含近45年來近5,000個觀測氣旋的路徑、強度、大小和風半徑等關鍵資訊的專業資料庫。

同時建模分析數據與氣旋數據，顯著提升了氣旋預測能力。

例如，對 2023 和 2024 年北大西洋與東太平洋流域的 NHC 觀測颶風數據進行初步評估。結果顯示新模型在五天內的氣旋路徑預測比 ECMW 的 ENS（全球領先的物理模型集合）平均近 140 公里，達到了 ENS 三天半預測的準確度，相當於實現了 1.5 天的預測進展——這一進展通常需十年才能達到。

雖然此前的 AI 天氣模型在氣旋強度預測方面表現不佳， 但新的實驗性模型在平均強度誤差上優於 NOAA（美國國家海洋和大氣管理局）的 HAFS（區域高解析度物理模型）。

初步測試還表明，新模型對氣旋大小與風半徑的預測結果可與物理模型基準相媲美。