1. 首頁 > 生活百科 > >

32個隨機數字，1分鐘推演地球未來15天丨谷歌DeepMind

32個隨機數字，1分鐘推演地球未來15天丨谷歌DeepMind

文章圖片

32個隨機數字，1分鐘推演地球未來15天丨谷歌DeepMind

文章圖片

32個隨機數字，1分鐘推演地球未來15天丨谷歌DeepMind

聞樂 發自 凹非寺
量子位 | 公眾號 QbitAI
【32個隨機數字，1分鐘推演地球未來15天丨谷歌DeepMind】天氣預報的時代真的變了 。
谷歌DeepMind最新發布的WeatherNext 2 ， 讓查天氣這件事升級成了小時級、實時化 。
它的運行速度比上一代快8倍 ， 分辨率提高到小時級 ， 也就是說不再是傳統預報里的“明天下午有雨” ， 而是可以細到“明天2–3點有小雨 ， 3–4點雨勢增強 ， 5–6點逐漸停止”的節奏 。

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

傳統超算要忙上好幾個小時的活 ， 它用一個TPU、1分鐘就能做完 。
結果是 ， 99.9%的預測變量和時效都超過了上一代WeatherNext ， 對高溫、暴雨這種極端天氣的影響范圍 ， 也能更早看出端倪 。
那氣象預報為什么需要做到這么細呢？
讓模型自己變成小地球首先 ， 在現實里 ， 很多行業都和天氣綁得很緊 。
能源系統看它協調負荷；城市管理看它安排人力；農業看它定節奏；物流、航班更是每天都要盯著它做決策 。
而且 ， 大氣系統可以看成一個巨大的混沌機器 ， 任何一個細小的擾動 ， 可能都會影響幾天后的云層走向或降雨范圍 。
傳統做法是用大量的“不同初始條件”去跑很多次預測 ， 再從上千個結果里找出大概率的走向 。
但這樣一來太耗算力了 。
而讓WeatherNext 2變得既快又準的關鍵 ， 是谷歌DeepMind新提出的FGN（Functional Generative Networks）功能生成網絡 。

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輕微、但全局一致的隨機擾動 ， 讓模型變成一個會變化的小地球 。
更具體來說 ， FGN在每次預測時都會輸入一個32維的小隨機向量 ， 也就是32個隨機數字 。 這個隨機向量會穿過模型的所有層 ， 通過控制模型的內部狀態 ， 再由模型自然生成一套完整的未來天氣場 。
一次隨機數就是一種未來 ， 再換一組隨機數就是另一種未來 。

這是因為FGN讓模型自己成為一個可采樣的隨機函數 ， 通過內部結構把低維噪聲擴散成全球一致的變化模式 。 它訓練時只優化每個網格點的單點誤差（CRPS） ， 但模型為了同時降低所有點的誤差 ， 被迫學會天氣本身的結構規律 ， 因此能夠自發地產生高維的空間相關性 。
這也是為什么32個數字最終能生成高達8700萬維的全球天氣變化 ， 還做到了既連貫、又符合物理結構 。
這種看似簡單粗暴的方法還更準 。 FGN的整體表現全面超過了DeepMind之前最強的GenCast 。 預測誤差更低、概率表現更好、空間結構更自然 ， 風場、溫度、高度場之間的關系也更加協調；概率分布的寬度更合理 ， 不會過度收縮或過度發散 。
在極端天氣上 ， 它的提前預測能力尤其明顯 。 比如臺風路徑 ， FGN能比GenCast大約提前24小時達到相同精度 ， 這對應急決策、交通調度來說是很關鍵的 。

而且 ， 在1個TPU上 ， 它生成一次15天的全球預報只需要不到1分鐘 ， 比之前快大約8倍 。
當然了 ， FGN方法在真實的預測過程中 ， 高頻變量偶爾會導致一些輕微偽影 。
但整體而言 ， FGN已經夠穩定 ， 夠高效 ， 也夠實用了 。
論文地址：https://arxiv.org/abs/2506.10772參考鏈接：https://x.com/GoogleDeepMind/status/1990435105408418253
— 完 —
量子位 QbitAI · 頭條號簽約
關注我們 ， 第一時間獲知前沿科技動態

    推薦閱讀