在发表在《自然》杂志上的一篇论文中，气象学家给出了一个预测短期天气事件的人工智能模型，在 88% 的案例中，其准确性和实用性均名列前茅。开发该模型的 DeepMind 声称，这标志着专业预报员首次表达了对基于机器学习的模型的偏好，而不是传统方法，为利用人工智能的新天气预报方法铺平了道路。
虽然研究表明某些形式的机器学习对温室气体排放有重大贡献，但该技术也被提议作为应对气候变化的工具。例如，IBM 的一个项目通过模拟真实作物未来天气和土壤条件的数字农场“双胞胎”提供农场种植建议。其他研究人员正在使用 AI 生成的图像来帮助可视化气候变化并估算企业碳排放量，WattTime等非营利组织正在努力通过根据可再生能源的可用位置在电动汽车、恒温器和电器处于活动状态时实现自动化来减少家庭的碳足迹.
DeepMind 论文写道：“降水‘临近预报’，即提前两小时的高分辨率降水预报，支持许多依赖天气决策的部门的现实社会经济需求。”“对于大多数依赖天气的决策而言，熟练的临近预报是一个长期存在的重要问题。我们使用深度生成模型的方法直接解决了这一重要问题，改进了现有解决方案，并为现实世界的决策者提供了所需的洞察力。”
预测天气事件
“临近预报”是依赖天气的决策的关键，因为它为紧急服务、能源管理、零售、洪水预警系统、空中交通管制、海事服务等的运营提供信息。但要使临近预报有用，预报必须提供准确的预测并考虑不确定性，包括可能对人类生活产生重大影响的事件。
近年来已经开发了几种基于机器学习的方法。他们接受了大型雷达观测数据集的训练，旨在更好地模拟强降水和其他难以预测的降水现象。例如，谷歌与美国国家海洋和大气管理局 (NOAA) 合作研究和开发机器学习系统，这些系统可能会渗透到 NOAA 的整个企业中。微软还资助力度，以确定从历史数据中重复的天气和气候模式，提高subseasonal和季节性预测模型的方式。
但 DeepMind 指出，人工智能临近预报模型并不总是包括小规模的天气模式或提供整个地区的预报。作为替代方案，这家由 Alphabet 支持的公司创建了一个用于预测的深度生成模型 (DGM)，它学习了数据的概率分布——描述随机变量可能取的所有可能值的函数——从其学习的分布中生成“临近预报” .
DeepMind 断言 DGM 可以预测由于潜在的随机性而本质上难以跟踪的天气事件。此外，他们可以像根据任务调整的系统一样准确地预测降水的位置，同时保留对决策有用的属性。
DeepMind 在 2016 年至 2018 年间英国雷达记录的大量降水事件数据集上训练了其 DGM。经过训练后，它可以在单个 NVIDIA V100 GPU 上运行仅一秒多一点的时间提供临近预报。
与其他流行的临近预报方法(包括其他机器学习模型)相比，DeepMind 的 DGM(由 56 名气象学家组成的小组评判)在长达 1,536 公里乘以 1,280 公里的区域内产生了更真实、更一致的预测，提前期为 5 到 90 分钟.
“通过 50 多位专家气象学家的系统评估，我们表明，我们的生成模型在 89% 的案例中与两种竞争方法相比，其准确性和实用性排名第一，”论文中写道。“我们表明，生成式临近预报可以提供概率预测，从而提高预测价值并支持运营效用，以及在替代方法难以解决的问题和交付周期内。”
实际应用
DeepMind 的模型和其他类似的模型出现在气候变化成为全球最大公司首要考虑的时候。正如 CDP 最近的一项分析发现，除非采取积极措施做好准备，否则 500 家最大的公司在未来几十年中可能面临大约 1 万亿美元的与气候变化相关的成本。
先前的研究估计，如果不加以管理，全球变暖的风险可能会给世界金融部门造成 1.7 万亿至 24.2 万亿美元的损失。一个明显的例子是，加利福尼亚州最大的电力公司 Pacific Gas and Electric 仅在 2019 年 1 月就面临高达 300 亿美元的火灾责任。
Facebook 首席人工智能科学家 Yann LeCun 和 Google Brain 联合创始人 Andrew Ng 等人断言，减缓气候变化和提高能源效率是人工智能研究人员面临的重要挑战。
“对复杂现象进行建模、做出快速预测和表示不确定性的能力使人工智能成为环境科学家的一个强大工具，包括那些研究气候变化影响的人，”DeepMind 资深科学家 Shakir Mohamed 在一份新闻稿中说。“现在还为时过早，但这项试验表明人工智能可能是一个强大的工具，使预测者能够花更少的时间来浏览不断增长的预测数据堆，而是专注于更好地理解预测的含义。这对于减轻当今气候变化的不利影响、支持适应不断变化的天气模式并有可能挽救生命是不可或缺的。”
