2017年5月在浙江乌镇举办了中国乌镇围棋峰会，本次峰会最震惊的新闻莫属于谷歌的人工智能机器人AlphaGo，赢得了与世界顶级围棋大师柯洁的三局比赛，AlphaGo因此也被中国围棋协会授予职业九段。机器人“打败”人类的新闻不禁让大家惊叹人工智能的“超能力”。人工智能的诞生可以追溯到上世纪40年代McCulloch和Pitts提出神经元逻辑模型。2010年前后的三项重大进步开启了人工智能的第三次浪潮，这三项进步包括：图形处理单元（GPU）的大规模并行处理，极大地提高了计算能力；卷积神经网络（CNN）的使用，可以 对大量（图像）数据集进行更有效地分析；互联网提供了大型基准数据集。随着神经网络在语音和图像识别、游戏及预测方面不断成功，天气和气候研究领域越来越意识到现代的深度学习（DL）技术的重要性，开始把深度学习应用到数据分析和天气预报。例如根据卫星云图的观测，可以利用神经网络模型进行台风定强（图1）。

说到人工智能，可能会在网络上经常看到机器学习（ML）和深度学习（DL）这样的词，也经常看到专业一点的卷积神经网络（CNN）、长短期记忆网络（LSTMs）和自组织映射神经网络（SOMs）等。图二说明了人工智能、机器学习和深度学习之间的关系。简单地说，深度学习是使用人工神经网络算法的一种广义的机器学习，而机器学习是人工智能的一个领域，机器学习算法基于样本数据（称为训练数据）建立模型，以便在没有明确编程（或者较少的物理方程的约束）的情况下根据样本中学习到的统计特征做出预测或决定。卷积神经网络、长短期记忆网络是深度学习的具体算法。深度学习中的 "深度 "指的是在网络中使用多个层次，一般认为深度越深，学习到的统计特征越具体。

图2  人工智能、机器学习和深度学习的概念之间的关系

前面我们介绍了数值天气预报的基本原理，图三左边一列说明了数值天气预报的基本流程。第一步是准备初始条件和边界条件，包括收集各种观测资料、资料预处理和资料同化（DA）。为了求解基于物理定律的偏微分方程组，我们需要收集世界各地收集了大量的气象观测数据，获得地球系统（大气、土壤和海洋）的初始状态。除了传统的气象站和无线电探空仪站外，飞机测量和遥感产品（如雷达和卫星观测）已经成为全球观测网络的一个重要组成部分。这些观测数据仍不足以描述大气层和其他与大气层交换能量或质量的地球系统组成部分的完整状态，资料同化的技术不仅弥补资料不完整，还可以把不同来源的资料进行处理，得到模式可以直接使用的变量。第二步是对数值模式进行积分，也就是求控制大气运动的偏微分方程组数值解，可以得到每个网格点上大气的未来状态（预报）。第三步就是通过对模式预报产品的后处理得到精细的终端用户预报产品，也就是各种各样媒体发布的天气预报和警报，还有针对不同部门需要提供的专业预报产品。我们再来看看深度学习天气预报的基本流程。如果我们把图三中数值天气预报工作流程的资料同化、模式积分和后处理作为一个实体，那么天气预报可以看作将观测数据映射到最终的预报产品。预报产品可以是一个特定天气变量（如温度）的空间分布，或者在特定地点一个或多个变量的时间序列等。从这个角度来看，深度学习跟数值天气预报差不多，也是将观测资料映射到预报产品，也可以把预报产品作为因变量，观测资料看作自变量，数值天气预报和深度学习都是利用自变量求因变量。所不同的是，数值天气预报通过解方程组得到预报，而深度学习通过神经网络算法得到预报。如图三中间一列所示，深度学习也用于观测资料的预处理和资料同化，以及用于预报产品的后处理过程。图三右边一列是将来深度学习可能发展方向，将同化、预报和后处理变成了一个模块。

图3 当前的数值天气预报（左）、用机器学习替换某一模块的下一代天气预报（中）以及纯数据驱动的机器学习预报系统（右）

深度学习天气预报将来能不能取代数值天气预报呢？一般认为在可预期的将来这样的事情不会发生，因为深度学习本身还面临一些挑战，两个核心问题是深度学习的神经网络缺乏可解释性和深度学习缺乏物理定律的约束，数值天气预报和深度学习结合起来，可能更有利于提高天气预报的精度。也许应该这样问问题：深度学习和数值天气预报将来如何更加有效地合作？

转于[气象学家公众号]