來自劍橋大學的研究人員周四（3/20）揭露了一款全新的天氣預報模型Aardvark Weather，它首次完全以神經網路取代數值解算器（Numerical Solver），宣稱只需要數千分之一的運算能力，僅需輸入1/10的觀測資料，就能以數十倍的速度提供準確的預報。該研究已登上《自然》（Nature）科學期刊。

傳統的數值天氣預報（Numerical Weather Prediction，NWP）系統的關鍵元件包括可用來定義天氣預測理論的數值模型，將理論轉為實際可用之預測資料的數值系統，以及貫穿整個數值天氣預報系統的數值解算器。

近幾年的天氣預報系統開始利用神經網路來取代數值解算器，但仍依賴數值解算器來進行初始化及產生局部預報。然而，數值解算器在初始化階段必須仰賴龐大且多元化的觀測資料，包括衛星與地面觀測站數據等，並通過數據同化整合不一致的資料以生成模型的初始條件。這一過程需要耗費大量運算資源，且初始化誤差會隨著時間擴大，影響長期預測的準確性。此外，針對局部高分辨率現象的模擬（如暴風雨或地形影響）則需要超級電腦等龐大計算資源，若運算速度不足，可能無法滿足即時預測與災害預警的需求。

而研究人員所打造的Aardvark Weather則全面以神經網路來取代數值解算器，利用單一機器學習模型來執行整個NWP流程，摒棄了傳統的多階段數值天氣預報流程。

Aardvark Weather是個端對端的資料驅動天氣預測系統，能夠接收觀測資料，並即時生成全球網路化預報與局部站點預報。其全球預報在多種變量及預測時效上超越了現有的NWP基準；局部站點的預報在10天的預測範圍內，得以與經過後處理的全球NWP基準及人工參與的最先進端對端預測系統相媲美，也能藉由微調進一步提高局部預報的準確性，展現其卓越的適應性與精確度。

主導該研究的是劍橋大學工程系教授Richard Turner，他說Aardvark重新構思了現有的天氣預報方法，很可能使得天氣預報比過去更快、更便宜、更靈活也更準確；而且只要利用一個簡單的機器學習模型，就能吸收來自衛星、氣象站與其它感應器的觀測資料，並輸出全球與本地的預測結果。

此一完全由AI驅動的方法意味著，那些原來需要依賴多個模型、超級電腦及龐大支援團隊才能生成的預測，現在只要利用桌上型電腦，就能在幾分鐘內完成。

而且當只使用現有系統10%的輸入資料時，Aardvark在許多變數上，已經超越了美國國家GFS預測系統，還能媲美使用數十種氣象模型、擁有眾多預報分析專家的美國氣象局的預測，可望改善開發中國家的天氣預報能力，因為這些國家通常無法取得開發傳統天氣預報系統所需的專業知識與運算資源。

該研究相信，Aardvark Weather將成為新一代端對端模型的起點，它以不可思議的比例降低運算成本，最終將可替一般使用者快速且經濟地建立各種客製化模型。