微软开源PBC工具，用于修正天气模型中的偏差

2026年10月14日，微软研究人员在《自然》杂志发表论文，介绍了概率偏差校正（PBC）方法。他们称，这是一种机器学习方法，能让两到六周后的天气预报更加准确。微软已将该工具以开源软件的形式发布。论文合著者包括来自麻省理工学院、欧洲中期天气预报中心（ECMWF）等机构的研究人员。

无论是传统的基于物理的预报系统，还是较新的AI模型，在两周之后的预报可靠性往往都会下降。微软团队没有另起炉灶开发一个独立的预报模型，而是选择修正现有模型中已经存在的误差。他们希望这一思路能吸引预算有限的气象机构。

瞄准系统性偏差

所有预报模型都要依靠近似方法来填补空白，例如气象站稀少的地区，或者科学家尚未完全理解的大气过程。这些变通办法可能固化为系统性偏差，而且模型预报的时间越长，误差就越大。PBC利用机器学习来检测并校正这种偏差。微软研究院新英格兰分部高级首席研究员莱斯特·麦基（Lester Mackey）以气候变化为例指出，基于历史记录训练的模型，其预测结果可能比当今的变暖世界更偏冷。

研究人员称，PBC在98%的降水目标和92%的气温目标上，改进了ECMWF领先的基于物理的模型。在该研究的分析中，它还使ECMWF新推出的AI预报系统的准确度提高了一倍。在论文发表之前，ECMWF已在其AI天气挑战赛中认可了这项工作。该中心机器学习战略负责人马修·强特里（Matthew Chantry）对这一思路表示欢迎，但也提出了一个保留意见：“将想法转化为现实，并融入业务流程，是最具挑战性的一步。”

足够轻量，适合规模较小的机构

基于物理的预报依赖超级计算机，生成式AI则依赖高性能GPU，而麦基表示，PBC只需CPU即可运行。长期以来，高昂的算力需求使发展中经济体的许多气象机构难以采用新的预报技术。合著者吉妮维芙·弗拉斯波勒（Genevieve Flaspohler）认为，由于该模型轻量且易于训练，缺乏大量资源的科学家也能针对本地区进行调优。

弗拉斯波勒曾作为微软实习生参与PBC的研发，现任非营利机构Rhiza Research负责人。该机构与肯尼亚气象局合作，并获得盖茨基金会资助，正在测试AI能否改善早期预警。在一个预计因破纪录的厄尔尼诺现象而更加极端的雨季到来之前，PBC是正在评估的方法之一。这项工作使微软与谷歌、英伟达等其他正在开发天气预测AI工具的公司站在了同一赛道上。