AI擅长天气预报。它能否预测极端天气事件

作者们表示，这一局限性尤为重要，因为研究人员正将神经网络应用于业务天气预报、早期预警系统和长期风险评估中。但他们同时指出，可以通过将更多数学和物理学原理融入AI工具来解决这个问题。

"AI气象模型是人工智能在科学领域最重大的成就之一。我们发现它们非凡卓越，但并非神奇魔法，"芝加哥大学地球物理学副教授、本研究通讯作者佩德拉姆·哈桑扎德表示。"这些模型问世仅数年时间，因此存在广阔的创新空间。"

灰天鹅事件

天气预报AI的工作原理与当下许多人使用的其他神经网络（如ChatGPT）类似。

本质上，该模型通过向其"投喂"大量文本或图像数据并指令其寻找规律来进行"训练"。当用户向模型提出问题时，它会回溯既往所见模式，并据此预测答案。

在天气预报领域，科学家通过输入数十年气象数据训练神经网络。随后用户可输入当前气象条件数据，要求模型预测未来数日的天气情况。

哈桑扎德指出，AI模型在这方面表现极佳。通常它们能达到与顶级超级计算机气象模型同等的精度，而后者需消耗1万至10万倍的时间与能源。

"这些模型对日常天气的预测确实非常出色，"他说，"但如果下周出现极端异常天气呢？"

问题在于神经网络仅基于现有约40年的气象数据运作，但这并不涵盖所有潜在天气状况。

"例如2017年飓风哈维引发的洪水被认定为两千年一遇的事件，"哈桑扎德强调，"这类事件完全可能发生。"

科学家有时称此类事件为"灰天鹅"事件。它们虽未达到"黑天鹅"事件（如导致恐龙灭绝的小行星撞击）的级别，但仍会造成区域性灾难。

研究团队决定以飓风为例测试AI模型的局限。他们使用数十年气象数据训练神经网络，但删除了所有二级以上飓风数据。随后输入会导致五级飓风的大气条件，测试模型能否外推预测飓风强度？

答案是否定的。

"模型始终低估事件强度。它能感知异常即将发生，但始终预测仅为二级飓风，"芝加哥大学研究科学家、本研究的另一位通讯作者孙永强表示。

这类被称为"假阴性"的预测误差在天气预报中后果严重。若预报五级飓风实际仅为二级，将导致不必要的疏散；但若低估演变为五级的飓风，后果将更为灾难性。

飓风预警与物理学原理的重要性

神经网络与传统气象模型的核心差异在于后者"理解"物理学原理。科学家设计传统模型时融入了对大气动力学、急流等现象背后数学物理规律的理解。

神经网络则完全不涉及这些原理。如同本质是文本预测机器的ChatGPT，它们仅通过识别天气模式，基于历史规律推测未来走向。

哈桑扎德表示，目前尚无主要气象服务完全依赖AI模型进行预报。但随着应用拓展，必须考量其固有局限。

从气象学家到经济学家，研究者正开始运用AI进行长期风险评估。例如要求AI生成大量天气模式样本，以预测未来各区域可能发生的极端事件。但若AI无法预测超越训练数据强度的现象，其关键作用将受限。不过研究发现：只要训练数据中存在先例（即使是其他地区的案例），模型就能预测更强飓风。例如删除所有大西洋飓风数据但保留太平洋飓风记录后，模型可成功外推预测大西洋飓风。

"这是个意外而鼓舞的发现：模型能预测某区域从未发生但其他地区偶发的极端事件，"哈桑扎德指出。

融合路径

研究者提出解决方案：将数学工具和大气物理原理融入基于AI的模型。

"我们希望若AI模型能真正掌握大气动力学，它们就能学会预测灰天鹅事件，"哈桑扎德解释道。

如何实现成为研究热点。团队探索的可行路径之一称为"主动学习"——AI引导传统物理气象模型生成更多极端事件样本，进而优化AI训练。

"延长模拟或观测数据集并不能解决问题。我们需要构思更智能的数据生成方式，"纽约大学库朗数学科学研究所教授、研究合著者乔纳森·韦尔指出。"这意味着需回答'应在何处部署训练数据以提升极端事件预测性能？'幸运的是，我们认为当AI气象模型与恰当的数学工具结合时，其本身就能协助解答这个问题。"

芝加哥大学多里安·阿博特教授、计算科学家莫森·赞德以及加州大学圣克鲁兹分校的阿谢什·查托帕迪亚亦为本研究合著者。

本研究使用了芝加哥大学研究计算中心维护的资源。