聞樂 發(fā)自 凹非寺
量子位 | 公眾號(hào) QbitAI

天氣預(yù)報(bào)的時(shí)代真的變了。

谷歌DeepMind最新發(fā)布的WeatherNext 2，讓查天氣這件事升級(jí)成了小時(shí)級(jí)、實(shí)時(shí)化。

它的運(yùn)行速度比上一代快8倍，分辨率提高到小時(shí)級(jí)，也就是說(shuō)不再是傳統(tǒng)預(yù)報(bào)里的“明天下午有雨”，而是可以細(xì)到“明天2–3點(diǎn)有小雨，3–4點(diǎn)雨勢(shì)增強(qiáng)，5–6點(diǎn)逐漸停止”的節(jié)奏。

有意思的是，它不只給你一個(gè)版本的預(yù)測(cè)，而是能從同樣的輸入里生成幾十、上百個(gè)可能的天氣演化情景。

傳統(tǒng)超算要忙上好幾個(gè)小時(shí)的活，它用一個(gè)TPU、1分鐘就能做完。

結(jié)果是，99.9%的預(yù)測(cè)變量和時(shí)效都超過了上一代WeatherNext，對(duì)高溫、暴雨這種極端天氣的影響范圍，也能更早看出端倪。

那氣象預(yù)報(bào)為什么需要做到這么細(xì)呢？

讓模型自己變成小地球

首先，在現(xiàn)實(shí)里，很多行業(yè)都和天氣綁得很緊。

能源系統(tǒng)看它協(xié)調(diào)負(fù)荷；城市管理看它安排人力；農(nóng)業(yè)看它定節(jié)奏；物流、航班更是每天都要盯著它做決策。

而且，大氣系統(tǒng)可以看成一個(gè)巨大的混沌機(jī)器，任何一個(gè)細(xì)小的擾動(dòng)，可能都會(huì)影響幾天后的云層走向或降雨范圍。

傳統(tǒng)做法是用大量的“不同初始條件”去跑很多次預(yù)測(cè)，再?gòu)纳锨€(gè)結(jié)果里找出大概率的走向。

但這樣一來(lái)太耗算力了。

而讓W(xué)eatherNext 2變得既快又準(zhǔn)的關(guān)鍵，是谷歌DeepMind新提出的FGN（Functional Generative Networks）功能生成網(wǎng)絡(luò)。

FGN的思路非常不一樣。它并不是堆更多的物理方程，也不去模擬天氣本身，而是通過給模型本體加上一點(diǎn)輕微、但全局一致的隨機(jī)擾動(dòng)，讓模型變成一個(gè)會(huì)變化的小地球

更具體來(lái)說(shuō)，F(xiàn)GN在每次預(yù)測(cè)時(shí)都會(huì)輸入一個(gè)32維的小隨機(jī)向量，也就是32個(gè)隨機(jī)數(shù)字。這個(gè)隨機(jī)向量會(huì)穿過模型的所有層，通過控制模型的內(nèi)部狀態(tài)，再由模型自然生成一套完整的未來(lái)天氣場(chǎng)。

一次隨機(jī)數(shù)就是一種未來(lái)，再換一組隨機(jī)數(shù)就是另一種未來(lái)。

這是因?yàn)镕GN讓模型自己成為一個(gè)可采樣的隨機(jī)函數(shù)，通過內(nèi)部結(jié)構(gòu)把低維噪聲擴(kuò)散成全球一致的變化模式。它訓(xùn)練時(shí)只優(yōu)化每個(gè)網(wǎng)格點(diǎn)的單點(diǎn)誤差（CRPS），但模型為了同時(shí)降低所有點(diǎn)的誤差，被迫學(xué)會(huì)天氣本身的結(jié)構(gòu)規(guī)律，因此能夠自發(fā)地產(chǎn)生高維的空間相關(guān)性。

這也是為什么32個(gè)數(shù)字最終能生成高達(dá)8700萬(wàn)維的全球天氣變化，還做到了既連貫、又符合物理結(jié)構(gòu)。

這種看似簡(jiǎn)單粗暴的方法還更準(zhǔn)。FGN的整體表現(xiàn)全面超過了DeepMind之前最強(qiáng)的GenCast。預(yù)測(cè)誤差更低、概率表現(xiàn)更好、空間結(jié)構(gòu)更自然，風(fēng)場(chǎng)、溫度、高度場(chǎng)之間的關(guān)系也更加協(xié)調(diào)；概率分布的寬度更合理，不會(huì)過度收縮或過度發(fā)散。

在極端天氣上，它的提前預(yù)測(cè)能力尤其明顯。比如臺(tái)風(fēng)路徑，F(xiàn)GN能比GenCast大約提前24小時(shí)達(dá)到相同精度，這對(duì)應(yīng)急決策、交通調(diào)度來(lái)說(shuō)是很關(guān)鍵的。

而且，在1個(gè)TPU上，它生成一次15天的全球預(yù)報(bào)只需要不到1分鐘，比之前快大約8倍。

當(dāng)然了，F(xiàn)GN方法在真實(shí)的預(yù)測(cè)過程中，高頻變量偶爾會(huì)導(dǎo)致一些輕微偽影。

但整體而言，F(xiàn)GN已經(jīng)夠穩(wěn)定，夠高效，也夠?qū)嵱昧恕?/p>

論文地址：https://arxiv.org/abs/2506.10772
參考鏈接：https://x.com/GoogleDeepMind/status/1990435105408418253

— 完 —