Google将生成式AI技术用于天气预报，高效且能预测极端天气...
Google发布最新的天气预报研究，其采用一种称为机率扩散模型（Probabilistic Diffusion Model）的生成式人工智能技术，开发出SEEDS（Scalable Ensemble Envelope Diffusion Sampler）天气预报模型。SEEDS可以有效地大规模产生天气预报系集（Ensemble），成本仅为传统物理预报模型的一小部分，而这是原本仅被用于生成式人工智能应用的机率扩散模型，在天气预报上的创新应用。
机率扩散模型是一种基于机器学习的生成式人工智能技术，模型的运行主要分为二步骤，第一步骤是添加噪声，从原始数据逐步增加随机噪声，直到数据完全变成随机噪声，这个过程被称为前向扩散，以图片当作例子，就像是在一张清晰的图片逐渐添加噪声点，直到图片上满是随机噪声。
第二步骤则是移除噪声，机率扩散模型进行反向扩散，学习将充满噪声的数据移除噪声，最终恢复出接近原始数据的新数据。同样以图片为例，也就是清理满是噪声的图片，尝试恢复出原来的景物，或是创造出全新的图片。
机率扩散模型中的机率性，指的便是去噪声的过程，模型在每一步都会考虑多种去噪声的可能路径，每一条路径都可能产生略有不同的结果。这代表即便机率扩散模型处理非常相似的噪声数据，最后也能生成多种且高品质的数据样本。
机率扩散模型的这种能力，使其成为可以生成高度复杂且多样化数据的强大工具，而在天气预报的应用中，就能够从有限的初始预测出发，生成一系列可能的未来天气状况，也就是系集预报，反应未来天气的不确定性和多样性。
科学家在创建天气预报系统的时候，需要将天气混沌（Chaos）的特性考虑进去。即便是微小的初始条件差异，随着时间的推移便会呈现指数增长，人们之所以无法对天气进行单一预测，是因为单是一个预测，并无法量化天气的不确定性。
为了适应这种不确定性，天气预报组织在计算系集预报时，会于在初始条件加入合成噪声，以及在物理过程加入随机性，利用天气模型中快速的错误增长率，使得系集中的预测各有不同，进而量化天气条件的不确定性。
虽然机率预测是有效的，但是要生成这些预测，需要在大型超级计算机上，执行多次高度复杂的数值天气模型，而这是一个非常耗费计算资源的过程，许多天气预报组织，只能负担生成大约10到50个系集成员的规模，而这个数量可能不足以用来评估罕见且高度影响天气的事件，研究人员表示，要评估罕见气候事件需要更大的系集，使用一万个成员组合的系集，可能才有办法预测到发生机率为1%的事件。也就是说，成员少于100的系集，不可能可以预测出极端天气事件。
而Google研究人员所开发的SEEDS，性能远超过数值天气预报系统，并且可以根据数值天气预报系统一到两次的预报，产生大型系集。SEEDS生成的系集能够提供与真实情况类似的可信预测，特别是在预测极端天气事件的准确度上，SEEDS表现也非常出色。
最重要的是，与需要超级计算机耗费数小时运算的传统天气预测相比，SEEDS模型的计算成本几乎可以被忽略，在Google云计算TPUv3-32执行实例上，每3分钟可以产生256个系集成员，借由部署更多的加速器，就可以扩展更高的吞吐量。
SEEDS的具体贡献在于利用生成式人工智能技术，提高天气预测效率。SEEDS只要使用2个预测种子，就能够快速生成大量的系集预报。SEEDS提供了一种高效混合方法，把数值天气预报系统作为输入，就能产生额外的预测。
SEEDS高效运算的特性，在节省计算资源的同时，也能够更频繁地发出预报，提高天气预测的品质和可用性。而且SEEDS不只可用于天气预测，也增加了气候风险评估领域的可能性，提升科学家准确量化未来气候不确定性的能力。
页:
[1]