来自剑桥大学的研究人员周四（3/20）揭露了一款全新的天气预报模型Aardvark Weather，它首次完全以神经网路取代数值解算器（Numerical Solver），宣称只需要数千分之一的运算能力，仅需输入1/10的观测资料，就能以数十倍的速度提供准确的预报。该研究已登上《自然》（Nature）科学期刊。 传统的数值天气预报（Numerical Weather Prediction，NWP）系统的关键元件包括可用来定义天气预测理论的数值模型，将理论转为实际可用之预测资料的数值系统，以及贯穿整个数值天气预报系统的数值解算器。 近几年的天气预报系统开始利用神经网路来取代数值解算器，但仍依赖数值解算器来进行初始化及产生局部预报。然而，数值解算器在初始化阶段必须仰赖庞大且多元化的观测资料，包括卫星与地面观测站数据等，并通过数据同化整合不一致的资料以生成模型的初始条件。这一过程需要耗费大量运算资源，且初始化误差会随著时间扩大，影响长期预测的准确性。此外，针对局部高分辨率现象的模拟（如暴风雨或地形影响）则需要超级电脑等庞大计算资源，若运算速度不足，可能无法满足即时预测与灾害预警的需求。 而研究人员所打造的Aardvark Weather则全面以神经网路来取代数值解算器，利用单一机器学习模型来执行整个NWP流程，摒弃了传统的多阶段数值天气预报流程。 Aardvark Weather是个端对端的资料驱动天气预测系统，能够接收观测资料，并即时生成全球网路化预报与局部站点预报。其全球预报在多种变量及预测时效上超越了现有的NWP基准；局部站点的预报在10天的预测范围内，得以与经过后处理的全球NWP基准及人工参与的最先进端对端预测系统相媲美，也能借由微调进一步提高局部预报的准确性，展现其卓越的适应性与精确度。 主导该研究的是剑桥大学工程系教授Richard Turner，他说Aardvark重新构思了现有的天气预报方法，很可能使得天气预报比过去更快、更便宜、更灵活也更准确；而且只要利用一个简单的机器学习模型，就能吸收来自卫星、气象站与其它感应器的观测资料，并输出全球与本地的预测结果。 此一完全由AI驱动的方法意味著，那些原来需要依赖多个模型、超级电脑及庞大支援团队才能生成的预测，现在只要利用桌上型电脑，就能在几分钟内完成。 而且当只使用现有系统10%的输入资料时，Aardvark在许多变数上，已经超越了美国国家GFS预测系统，还能媲美使用数十种气象模型、拥有众多预报分析专家的美国气象局的预测，可望改善开发中国家的天气预报能力，因为这些国家通常无法取得开发传统天气预报系统所需的专业知识与运算资源。 该研究相信，Aardvark Weather将成为新一代端对端模型的起点，它以不可思议的比例降低运算成本，最终将可替一般使用者快速且经济地建立各种客制化模型。