微软开源AI纠偏框架 六周天气预报精度翻倍

传统物理模型和新兴 AI 模型有一个共同的软肋：两周以后的天气预报基本靠不住。微软研究团队在《自然》杂志发表新论文，用一个轻量机器学习框架把"次季节"预报（两周至六周）的精度显著拉高，相关软件已经开源。

这个框架叫"概率偏差修正"（Probabilistic Bias Correction，PBC）。它不造新的预报模型，而是用机器学习学习历史预报中的系统性偏差并加以修正——比如气候变暖让历史记录整体偏冷，传统模型照着旧数据报气温就会系统性偏低。它还非常轻量，普通 CPU 就能跑，不需要超算，也不必依赖庞大的 AI 算力。

效果相当可观：应用到欧洲中期天气预报中心（ECMWF）的旗舰动力模型上，PBC 在91%的气压、92%的气温和98%的降水目标上提升了预报技巧；把它叠加到 ECMWF 新一代 AI 预报系统上，则直接把其本就有限的次季节预报技巧翻了一倍。

硬碰硬的检验也过了：在 ECMWF 2025年实时预报竞赛中，经 PBC 修正的全球预报在所有天气变量、所有预报时效上全部夺冠，击败了全球六大业务预报中心、一个国际动力多模式集合、ECMWF 自家 AI 系统以及全球34支参赛队伍。

微软研究院高级首席研究员莱斯特·麦基对媒体表示，这项技术有望显著提升预报的资源效率与可靠性，尤其是极端天气场景。论文作者之一弗拉斯波勒如今执掌非营利组织 Rhiza Research，正与肯尼亚气象部门合作、在盖茨基金会资助下测试 AI 能否帮欠发达地区更早发出极端天气预警。

ECMWF 机器学习战略负责人钱特里评价这是"为社区利益开发新想法的好例子"，但也提醒把想法变成日常业务流程仍是最难的一步。对预算有限的发展中国家气象机构而言，这类不依赖超算的轻量方案，可能是缩小预报差距最现实的一条路。

编译自 The Verge，原标题："Microsoft has a new machine learning tool to improve weather forecasts"