AI 如何改變天氣預報（第 2/4 段） ☕ Buy me a coffee

🧑‍🏫 這段在講天氣為什麼這麼難預測、氣象單位幾十年來靠超級電腦怎麼算，以及 Google DeepMind 的 AI 模型 GraphCast 換了什麼做法。看完你會懂為什麼 AI 不靠物理公式也能報天氣，還有「機率預報」到底在講什麼。

• 11:08 天氣會變得更劇烈，而劇烈也表現為（以歷史標準來看）更難預測，因為天氣型態正在改變。
  ↳ 氣候在變，以前累積的經驗和規律變得沒那麼管用，所以天氣不只更猛，也更難猜。
• 11:08 全球氣溫變暖；回顧過去 10、15 年，史上最熱的年份基本上都出現在最近幾十年，野火、洪水等也變多。
  ↳ 地球變熱不是感覺而已：最熱的年份幾乎都擠在最近這段時間，野火、水災也跟著變多。
• 11:40 隨著 AI 進步，它的使命是應用到這些變得更困難、更重要的挑戰上。
  ↳ 講者認為 AI 越來越強，就該拿去處理這種越來越難、又跟大家切身相關的問題。
• 11:40 天氣預報難在「小事會造成大影響」，也就是 butterfly effect：蝴蝶拍不拍翅膀，可能影響大尺度上是風暴還是晴天。
  ↳ butterfly effect（蝴蝶效應）是指極小的差異會一路放大成天差地別的結果，所以一開始差一點點，幾天後可能就是颱風和晴天的差別。
• 12:14 我們無法觀測每一隻蝴蝶，觀測有根本上的極限，這也轉化為預測的根本極限。
  ↳ 我們不可能量到大氣裡每個小擾動，起點資料本來就有缺，所以預報能看多遠有先天上限，不是技術再好就能無限延長。
• 12:14 但這不代表不能從所有看過的證據中，偵測出以前方法沒注意到的細微模式；技術進步，預測準確度就會持續提升。
  ↳ 但有上限不等於已經到頂。現有資料裡還藏著以前方法沒看出來的規律，挖得出來，預報就還能更準。
• 12:44 難的原因是我們觀測不到驅動天氣的重要特徵，但它們會留下小線索與麵包屑，可以用 statistical learning 捕捉。
  ↳ statistical learning（統計學習）是讓電腦從大量資料找規律的方法。看不到的因素會留下蛛絲馬跡，它就是用來抓這些痕跡。
• 13:17 大氣是一種流體，流體的物理特性使得小事可以造成大影響。
  ↳ 空氣和水一樣會流動、會互相推擠帶動，一處的小變化會被傳開、放大，這是天氣難測的物理根源。
• 13:17 池塘比喻：丟一顆小石頭會出現小圈或水滴飛濺，若能捕捉到並理解這代表同心圓會擴大，就能加以利用。
  ↳ 就像往池塘丟小石頭，剛濺起的水花和小圈本身不起眼，但看懂它，就知道接下來波紋會一圈圈擴大。
• 13:47 AI 與機器學習就是這樣運作：認出「以前看過這種水滴與小圈，接著會有一大圈小波浪打到池塘對岸」。
  ↳ AI 做的就是這件事：看過夠多次「這種小水花之後出現什麼」，下次看到類似開頭，就能推測後面的發展。
• 13:47 DeepMind 投入天氣的第一個原因：天氣非常重要，可能是最古老的預測問題、科學中最古老的問題之一。
  ↳ 選天氣的第一個理由很單純：人類從很久以前就想知道明天天氣，這是老問題，也是大問題。
• 14:22 Google DeepMind 的使命之一是嘗試解決人類面臨的重大科學挑戰；天氣不是抽象問題，每天影響每個人的生活。
  ↳ DeepMind 想挑戰重大的科學難題，而天氣不是只有學者關心，出門、種田、防災，人人每天都用得到。
• 15:00 受訪者個人多年來一直在做用機器學習進行模擬的研究，甚至做過用機器學習模擬流體。
  ↳ 受訪者本來就長期研究「用機器學習模擬事物怎麼變化」，連流體都做過，而大氣正好就是流體，技術接得上。
• 15:00 DeepMind 內幾個團隊聚在一起，有人對天氣有興趣、有人對模擬有興趣，發現手上的方法可能可以用在天氣問題上。
  ↳ 公司裡關心天氣的人和擅長模擬的人碰在一起，發現現成的方法剛好可以拿來試天氣。
• 15:33 另一個推力：已有很棒的天氣資料集。ECMWF 一直在建立橫跨數十年的地球天氣紀錄，非常適合機器學習。
  ↳ ECMWF 是歐洲中期天氣預報中心，全球頂尖的氣象機構。它整理了幾十年的全球天氣紀錄，AI 要學習最需要的就是這種大量又整齊的資料。
• 15:33 ECMWF 自己也有很強、很好的 AI 天氣模型。
  ↳ ECMWF 不只提供資料，自己也在做 AI 天氣模型而且做得好，表示這條路是氣象界本身也認可的方向。
• 16:40 時機對、有對的原料、有能整合的團隊，又符合使命，就是值得投入的選擇。
  ↳ 資料有了、技術有了、人也湊齊了，又符合公司目標，條件都到位才決定投入。
• 16:40 主流的預報方法之一叫 numerical weather prediction：用超級電腦跑一個演算法。
  ↳ numerical weather prediction（數值天氣預報）是目前氣象單位的主流做法：把天氣寫成算式，交給超級電腦去算。
• 17:13 演算法輸入目前地球天氣的估計值，預測下一小時或六小時的天氣，再把自己的預測餵回去，預測再幾小時後的天氣。
  ↳ 它是一步一步往前推：先算幾小時後的天氣，再把這個結果當成新起點繼續算，這樣接力推到好幾天後。
• 17:13 它本質上基於物理方程式：演算法是流體運動方程式解的近似。
  ↳ 它的根據是物理定律，也就是描述空氣怎麼流動的方程式。電腦算出來的是這些方程式的近似答案，不是精確解。
• 17:44 因為 butterfly effect 以及跨尺度的耦合，這些方程式很難精確求解，必須知道非常詳細的資訊，而且問題非常龐大。
  ↳ coupling across scales（跨尺度耦合）指大範圍和小範圍的天氣會互相影響。要算準就得掌握所有細節，計算量大到做不到。
• 17:44 所以改用近似：在粗略、模糊的尺度上模擬天氣，並找出方程式的近似解。
  ↳ 所以實務上是把地球切成一格一格粗略地算，比格子小的細節只能概略處理，換取算得完。
• 18:15 這在實務上是數十年來科學與工程的勝利：能知道一週半或兩週後的天氣；歷史上頂多只能提前一兩天。
  ↳ 即使是近似，成果也很驚人：以前頂多看一兩天，現在能看到一兩週後，這是幾十年累積出來的。
• 18:47 這是數十年物理、工程、運算與資料收集的成果。
  ↳ 這不是單一突破，而是物理理論、電腦運算能力、衛星和測站等觀測資料一起進步的結果。
• 18:47 DeepMind 的 AI 天氣預報：觀察天氣歷史如何隨時間演變，學習統計模式，再依過去的模式預測未來。
  ↳ AI 的路線不一樣：不解物理方程式，而是直接看幾十年的天氣紀錄，學會「天氣通常怎麼接著變」，再拿來預測。
• 19:22 比喻：就像對一串上升的數字擬合一條線；這裡是對過去非常複雜的天氣擬合一條非常複雜的線，再外推到未來。
  ↳ 概念上像看到一串數字越來越大，畫條線往後延伸猜下一個。只是天氣的「線」複雜非常多，要靠 AI 才畫得出來。
• 19:22 機器學習在天氣預報最早的用途：幫傳統數值模型「填空」，尤其是它們沒有明確模擬的較細尺度結構。
  ↳ AI 一開始只是配角，負責補傳統模型算不到的小細節，也就是比格子還小的那些天氣變化。
• 19:54 之後隨著機器學習的影像建模研究在過去約 8 到 10 年間演進，模型至少能在與 numerical weather prediction 相同的解析度上建模。
  ↳ 後來 AI 處理影像的技術這八到十年進步很多，AI 終於能做到和傳統預報一樣的精細度，不再只是補洞。
• 19:54 Graphcast 是「第三階段」最早的模型之一：取全球所有天氣，模擬出長達 10 天的預報。
  ↳ GraphCast 是 DeepMind 的 AI 天氣模型，屬於 AI 直接獨立做完整預報的那一代：輸入全球天氣，產出未來 10 天的預報。
• 19:54 Graphcast 的做法：取全球完整的天氣狀態，在每個地方跑同一個局部運算（learned function），大致反映物理在各地都一樣。
  ↳ learned function 是模型從資料學出來的一套算法。GraphCast 在全球每個地點都用同一套，因為物理規則到哪裡都一樣。
• 20:30 接著處理成涵蓋全球的較大表徵，再往回預測局部會發生什麼（例如倫敦），如此在全球與局部之間上下來回。
  ↳ representation（表徵）是模型內部對資料的濃縮摘要。它先把各地資訊彙整成全球的大圖，再回頭推算像倫敦這種單一地點的天氣。
• 21:00 numerical weather prediction 不這樣做，它只在非常局部的尺度做預測；statistical learning 方法則能學到天氣的大尺度結構。
  ↳ 傳統方法每次只看很小範圍內的相鄰變化；AI 則能直接學到大範圍的天氣型態，這是兩者看事情方式的根本差別。
• 21:00 例子：很大的颶風可橫跨一百公里以上，颶風西側能透露很多東側的資訊；用一個表徵表示整個颶風，能更好地推斷局部接下來的變化。
  ↳ 以颱風這類大型風暴為例，它是一個整體，這一側的狀況和另一側息息相關。把整個風暴當一件事看，比拆成小格各算各的更能判斷各地變化。
• 21:31 這是 AI 天氣模型與傳統 numerical weather prediction 的一大差異，可能也是 AI 模型如此有效的原因：能一次看整個地球，同時利用大尺度與局部結構。
  ↳ AI 模型效果好，可能就是因為它同時掌握全球大局和各地細節，不像傳統方法只能從局部慢慢往外推。
• 21:31 deterministic 模型根據輸入永遠只做出一個猜測；probabilistic 模型做出許多猜測，因為可能發生這個也可能發生那個。
  ↳ deterministic model（決定性模型）是同樣的輸入只給一個答案；probabilistic model（機率模型）則給出多種可能的結果。
• 22:04 probabilistic 模型能表達最可能的各種情境，以及較不可能但仍可能發生的事件；天氣預報領域朝 probabilistic 預報邁進已有一段時間。
  ↳ 機率模型能告訴你哪些情況最可能、哪些機會小但不能排除，例如颱風的多條可能路徑。氣象界早就往這方向走。

依字幕，AI 天氣模型與傳統 numerical weather prediction 的一大差異（也可能是 AI 模型如此有效的原因）是什麼？