GenCast：气候的未来就在这里！ 🤖🌦
GenCast 是谷歌 DeepMind 推出的一款全新人工智能模型，其精确度足以与传统气象学相媲美。根据最近发表的研究，在使用 2019 年数据进行的测试中，它的表现优于领先的预测模型。 🌦️✨
人工智能不会很快取代传统气象学，但它可以为预测天气和向公众预警严重风暴提供有价值的工具。 GenCast 是 正在开发中的人工智能模型 这可以带来更准确的预测。 🤖⛈️
GenCast es uno de varios modelos de previsión del tiempo basados en IA que podrían ofrecer pronósticos más precisos 🌍💡
“气候几乎影响我们生活的方方面面……也是最大的 科学挑战 DeepMind 高级科学家 Ilan Price 表示：“预测它。谷歌 DeepMind 的使命是 推动人工智能造福人类 人类。我认为从这个意义上来说，这是一种重要的方式，一种关键的贡献。” 🌈📊
Price 和他的团队使用 GenCast 对 ENS 系统进行了测试，ENS 系统是世界上最先进的预测模型之一，由欧洲中期天气预报中心管理（欧洲中期天气预报中心). GenCast superó al ENS en un 97.2% de las veces, de acuerdo con la investigación publicada esta semana en la revista 自然。 📈🧐
GenCast 是一个基于机器学习的天气预测模型，该模型基于 1979 年至 2018 年的气候数据进行训练。该模型学习识别四十年历史数据中的模式，并利用这些信息预测未来可能发生的事情。这与 ENS 等传统模型的工作方式截然不同，后者仍然依赖超级计算机来解决复杂的方程式并模拟大气物理。 GenCast 和 ENS 都生产 整体预测，提供多种可能的情况。 🌌🌪️
例如，通过预测热带气旋的路径，GenCast 可以提供平均提前 12 小时的预警。 GenCast 通常能够更好地预测气旋路径、极端天气事件以及提前 15 天的风能生产情况。 🌪️⏳
GenCast 集合预报显示了台风哈吉贝斯的一系列可能的风暴路径，随着气旋接近日本海岸，预报变得更加精确。 🇯🇵🌊
图片：谷歌
需要注意的是，GenCast 是针对旧版 ENS 进行测试的，该版本现在的运行速度为 更高的分辨率。同行评审的研究将 GenCast 的预测与 ENS 对 2019 年的预测进行了比较，分析了每个模型与当年实际情况的匹配程度。 ECMWF 机器学习协调员 Matt Chantry 表示，ENS 系统自 2019 年以来已有显著改进，因此很难评估 GenCast 与当今 ENS 相比如何。 🔍📉
显然，分辨率并不是做出可靠预测的唯一重要因素。 ENS 在 2019 年的分辨率就已经略高于 GenCast，但 GenCast 仍然超越了它。 DeepMind 声称已经使用 2020 年至 2022 年的数据进行了类似的研究并发现了类似的结果，尽管这尚未经过同行评审。然而，当 2023 年 ENS 开始以更高的分辨率运行时，却没有可供比较的数据。 📊📈
GenCast 将世界划分为网格，以 0.25 度的分辨率运行，这意味着网格中的每个方格测量四分之一度的纬度和四分之一度的经度。相比之下，ENS 在 2019 年使用的分辨率为 0.2 度，现在为 0.1 度。 🌍🗺️
然而，Chantry 在一封电子邮件声明中表示，GenCast 的开发“标志着天气预报发展的一个重要里程碑”。除了 ENS 之外，ECMWF 还运行着自己的 机器学习系统。 Chantry 评论说他“从 GenCast 中获得了一些灵感”。 🌟🤓
速度对于GenCast来说是一个优势。您只需使用单个 Google Cloud TPU v5 即可在短短八分钟内生成 15 天的预测。像 ENS 这样的基于物理的模型可能需要几个小时才能完成同样的工作。 GenCast 省略了 ENS 必须解决的所有方程，这解释了为什么它需要更少的时间和计算能力来生成预测。 ⚡️💻
“从计算角度来看，它的成本要高出几个数量级 根据模型进行传统预测 就像 GenCast 一样，”Price 说。💰📉
这种效率可能有助于缓解人们对人工智能数据中心对环境影响的一些担忧，人工智能数据中心近年来已经导致谷歌温室气体排放增加。然而，如果不知道训练机器学习模型需要多少能量，就很难评估 GenCast 在可持续性方面与基于物理的模型相比如何。 🏭♻️
GenCast 仍有改进空间，包括扩展到更高分辨率的能力。此外，与通常以较短间隔发布预测的传统模型相比，GenCast 以 12 小时为间隔发布预测。这会影响这些预测在现实世界中的应用方式（例如，评估有多少风能可用）🌪️⚡️。
“我们问自己，这好吗？为什么？” 🤔
佛罗里达大学气象学助理教授斯蒂芬·穆伦斯 (Stephen Mullens) 表示：“你想知道一整天的风向，而不仅仅是早上 6 点和下午 6 点的风向。”他没有参与 GenCast 的研究。 🌞🌬️
尽管人们对如何利用人工智能来改善预测的兴趣日益浓厚，但其有效性尚未得到证明。 “人们正在关注这个问题。但我认为整个气象界并不相信这一点，”穆伦斯说。 “我们是受过训练的科学家，用物理学的角度思考问题……而由于人工智能本质上不是物理学，我们仍然会问，‘这好吗？为什么？’”🤷♂️⚖️
