地球科学家对环保主义者：AI 并不全是坏事
快速阅读: 据《原子科学家公报》最新报道，地球科学家认为，尽管存在能源和环境问题，人工智能仍是实现天气预报和地震监测突破的最佳方式。人工智能模型能更高效地生成准确结果，提高极端天气预警，帮助急救人员争取更多救援时间。虽然训练成本高昂，但人工智能在天气和地震检测方面的应用有望显著节约能源和资金。
无论是用于天气预报还是地震监测，地球科学家认为人工智能是实现新突破的最节能和最快的方式。（照片：美国国家气象局（NWS）收藏）
一家人工智能研究公司估算，查询像ChatGPT或Google AI这样的服务所使用的能源量是普通谷歌搜索的三十倍。能源使用只是人工智能的一个环境因素。冷却这些工具所在的大数据中心需要大量水资源，这对美国许多地区来说是一个日益稀缺的资源。一个大型数据中心每天消耗的水量相当于一个小城镇的用水总量。
有人指出，人工智能聊天机器人可能传播有关气候危机的错误信息。许多环保人士认为，由于这些原因，应该大幅限制人工智能的使用。出乎意料的是，研究环境以进行生命拯救发现的地球科学家——这一群体本应是天然盟友——却发现自己与这个群体产生了分歧。
尽管人工智能存在能源问题，但地球科学领域对人工智能的最初需求是出于管理计算资源的需要。为了预测天气，你需要温度、湿度、风速和气压等信息。但你可能需要在数百甚至数千英里的范围内获取这些信息，可能涉及不同的海拔高度。你可能需要连续几天每小时的数据，甚至是几周的数据。数据量迅速累积，并且将这些变量通过方程运行既耗时又耗能。而在传统天气预报中，这些操作不仅运行一次。它们会多次运行以创建一系列的预报。每个预报略有不同，但都使用相同的方程来预测未来的天气状况。天气不是确定性的。你不能把变量输入到方程中并完全确定天气会是什么样子。大自然太复杂了。一系列的预报旨在通过提供未来天气最有可能的范围来捕捉这种不确定性。这就是为什么你的手机天气应用报告“降雨概率”是以百分比形式的原因。
为了使基于物理的天气集合能够给出准确的预测，它需要包含大约五十个单独的预报。运行这些集合的超级计算机无法同时服务于每一个项目。有限的计算资源与其他研究人员共享，因此使用这些超级计算机的队列在增长。这可能会极大地减缓天气预报和气候研究的进展。通过使用人工智能模型而不是或与基于物理的模型结合使用，这些计算可以更高效地完成，同时仍然生成准确的结果。人工智能模型不需要直接“计算”潜在天气（如降雨率或最高日间温度），而是通过训练过去的天气数据来识别输入变量与潜在天气状态之间的关系。例如，一个人工智能模型可能会根据昨天的温度、湿度和压力以及历史模式预测今天会有宜人的晴天。
相关：为什么没有人能看到人工智能的黑盒子运行
一个人工智能天气或气候模型最不具可持续性的一部分是训练模型。训练时间和成本可能类似于运行基于物理的天气集合。然而，一旦模型被训练，它就不再需要处理任何方程，使其快了几个数量级并且更加高效。而且人工智能模型可能只需要每年重新训练一次新数据。这意味着在模型再次训练之前，可以以边际成本和能源使用量发布成千上万的预报。更好的警报系统。谷歌的研究科学家伊格纳西奥·洛佩兹-戈麦斯和他的同事们在谷歌的气候和可持续发展团队正在开发一种生成式人工智能模型，该模型能够更好地预测危险的极端天气。他们的模型基于两个基于物理的预报，然后模拟基于这些预报的成千上万个其他预报。“我们可以对未来发出成千上万种可能的预报，这样就能估计低可能性但高影响事件的风险，”洛佩兹-戈麦斯解释道。一个百年一遇的洪水事件有百分之一的可能性发生。一个包含五十个预报的传统天气集合可能错过这百分之一的事件。而有了成千上万个预报，识别这些事件的可能性的机会大大增加。假设他们不得不关闭交通方式、学校，这会对不同社区产生影响。“即使可能性很低，拥有这些信息也非常重要。”
人工智能在地震检测方面也有用武之地。华盛顿大学地球与空间科学教授马琳·德诺勒表示，地震学有大量的可用数据，非常适合训练人工智能模型。“20世纪60年代的核监测为地震和核爆炸的监控注入了大量资金，”她说。六十年来，地震学家已经识别并标记了由地震到爆炸等各种原因引起的地壳波动。这为训练人工智能模型检测地震提供了理想的数据集。能够区分不同来源（如汽车、雷暴或地震）的模型，比专家手动区分这些信号更为高效。这种信号分类技术通过从数据中提取特征来工作，不同于生成式人工智能。洛佩兹-戈麦斯说，生成式人工智能就像“如果你问一个问题，模型就会预测最可能的答案”。在信号分类中，人工智能扫描材料（如图像、波形、文本）并根据特征分布进行分类。癌症研究人员正利用这种方法，根据肿瘤的特定特征预测患者对特定治疗的反应。
用于地震检测的人工智能也得益于日益增多的传感器技术。光纤线路和智能手机加速度计为检测地下震动提供了新手段。人工智能模型能筛选这些临时地震学工具产生的震动，检测更小的地震，确定震源位置，并发现新的断层。“当地震较小时，其信号会被埋没在地震噪声中，但人工智能经过训练能透过噪声识别这些小事件，”德诺勒说。
快速识别小震动为地震可以为急救人员或应急管理人员提供更多的生命救援预警时间。尽管训练人工智能模型成本高昂，但在训练天气或地震学模型时的能源使用量可能远远低于像ChatGPT这样的大型语言模型。在我们的领域，我们与大型语言模型还有很大的差距。大型语言模型试图将互联网上的所有人类知识压缩进一个模型。由于大型语言模型需要提供这种类型的服务，它们需要进行数万亿次运算。用于训练模型的天气和气候数据较少，并不会无限增长。更好的观测正在增加天气和气候数据，但旧数据需要被淘汰以供模型训练。气候变化意味着二十年前的天气或气候状态可能对未来预测不再适用。更好的数据整理使人工智能地球科学模型更加精简高效。谷歌的AI GenCast模型能在八分钟内生成十五天的预报。一个数值天气模型需要数小时才能生成同样的预报。节省的时间等于节省的能源和资金。部署GenCast比数值天气模型要便宜数千美元。在美国，一半处理常规天气和气候模型的超级计算机位于佛罗里达州的数据中心，这些中心需要大量冷却来维持运行。这意味着任何减少这些超级计算机工作量的方法都能显著节约能源。
由于人工智能在研究中的应用尚处于初级阶段，科学家和学术期刊有时可能会过于热衷，发表不够严谨的研究。人工智能模型主要由计算机科学家开发；地球科学家仍在探索最佳实践。洛佩兹-戈麦斯指出，为了保持地球科学中人工智能研究的严谨性，应采用开放且可重复的结果，供其他研究人员验证。关于在气候研究中使用人工智能的另一个担忧来自于模型的构建方式。因为模型被设计用来识别模式或关联，而不是通过科学方程解决问题，所以它们可能会因错误的原因得出正确答案。此外，气候和天气建模中使用人工智能有时会导致‘幻觉’，产生不可能或荒谬的结果。但总体而言，这些模型相当准确，并且很可能在未来成为地质科学研究的重要工具。
(以上内容均由Ai生成)
