ntext="Article" data-image-id="2440359" data-caption="AI could help predict the weather more accurately" data-credit="Ranimiro Lotufo Neto/Alamy" />

Google研究人员建立了一种人工智能，他们说可以预测天气和气候模式以及当前的物理模型，同时还需要更少的计算机功率。

现有的预测是基于数学模型，该数学模型由非常强大的超级计算机运行，这些模型可以确定地预测将来会发生什么。由于它们是在1950年代首次使用的，因此这些模型越来越详细，需要更多的计算机功率。

几个项目的目的是用少得多的AI替代这些激烈的计算，包括在短时间内在本地预测降雨的深度媒介工具。但是像大多数AI模型一样，这些是一个“黑匣子”，其内部工作是一个谜，无法解释或复制他们的方法是有问题的。气候科学家还指出，如果对模型进行了历史数据的培训，他们将难以预测由于气候变化而发生的前所未有的现象。

现在，加利福尼亚州Google Research的Dmitrii Kochkov及其同事创建了一个名为NeuralGCM的模型，他们认为这两种方法之间都达到了平衡。

典型的气候模型将地球的表面分为多达100公里的细胞网格；计算能力的限制使得在更高的分辨率下模拟是不切实际的。像云一样的现象，这些细胞内部的空气湍流和对流仅通过计算机代码近似，这些计算机代码不断调整以更准确地匹配观测数据。这种称为参数化的方法希望至少部分地捕获更广泛的物理模型所无法的小型现象。

NeuralGCM受过训练可以接管这种小尺度的近似，从而使其在计算密集程度较少，更准确。研究人员在论文中说，该模型可以使用称为张量处理单元（TPU）的单个芯片在24小时内处理70,000天的模拟。相比之下，一个称为X-Shield的竞争模型使用具有数千个处理单元的超级计算机仅处理19天的仿真。

该论文还声称，神经GCM的预测具有准确的预测，有时比一流的模型更好，有时甚至更好。Google没有回应来自的面试请求 新科学家。

牛津大学的蒂姆·帕尔默（Tim Palmer）说，这项研究是在纯物理学和不透明AI近似之间找到第三种方法的有趣尝试。他说：“我对我们完全放弃运动方程并进入某些AI系统的想法感到不舒服，甚至专家也会说他们并不完全理解。”

他说，这种混合方法可以在建模社区中进行进一步的辩论和研究，但只有时间才能证明它是否被世界各地的建模者采用。“这是朝着正确方向迈出的好一步，这是我们应该做的研究类型。很高兴看到桌子上所有这些替代方法。”