微软今日在《自然》期刊发表研究成果，并同步开源一款名为“概率偏差校正”（PBC）的机器学习工具。该工具旨在通过校正现有气象模型的系统性偏差，显著提升未来两至六周的天气预报精度，同时大幅降低算力成本。
打破算力壁垒，仅需CPU即可运行
传统基于物理学的天气模型依赖超级计算机，而新兴的生成式AI气象模型则高度依赖高性能GPU。微软研究院新英格兰分公司高级首席研究员莱斯特·麦基（Lester Mackey）指出，PBC工具仅需在CPU上即可运行，极大降低了资源门槛。这种轻量级特性使得资源紧张的气象机构也能利用AI技术提升预报能力。
随着预测周期延长至两周以上，无论是模拟大气物理过程的传统模型，还是基于历史数据模式识别的AI模型，都会因数据空白填补产生的近似值而累积误差，导致可靠性显著下降。PBC的核心逻辑在于利用机器学习识别并修正这些系统性偏差。例如，针对因化石燃料排放导致全球升温，但部分模型仍基于较冷历史记录预测而产生的偏差，PBC能进行有效校正。
准确率显著提升，获业界认可
研究显示，PBC将欧洲中期天气预报中心（ECMWF）领先的物理天气模型的降水预测准确率提高了98%，温度预测准确率提高了92%。此外，该框架还将ECMWF新推出的AI预报系统的准确性提升了一倍。在此之前，ECMWF已在“AI天气探索”竞赛中向研发团队授予奖项。
ECMWF机器学习战略主管马修·钱特里（Matthew Chantry）评价称，这项研究是社区利益导向新理念开发的典范，但也指出从理念到实际操作流程的转化仍具挑战。
助力发展中国家应对极端天气
论文作者之一、非营利组织Rhiza Research执行主任吉内维芙·拉斯波尔（Genevieve Flaspohler）表示，PBC易于训练和配置的特性，让缺乏庞大资源池的科学家也能针对特定地区优化模型。目前，该组织在盖茨基金会支持下，正与肯尼亚气象局合作测试PBC，旨在厄尔尼诺现象期间提供更准确的极端雨季早期预警。
尽管谷歌、英伟达等巨头也在布局AI气象领域，但微软选择了一条差异化路径：不创建全新的独立气象模型，而是专注于校正现有模型偏差，以更亲民的方式推动气象预报技术的普及。