毫不意外,我们都知道世界正面临着前所未有的气候挑战。
各国政府都在努力跟上不断变化的天气信息和生物圈生命状况的研究步伐。
在美国,国家海洋和大气管理局(NOAA)负责大部分此类研究工作。
NOAA最近的研究发现,美国已经经历了24起与天气相关的灾害,造成超过10亿美元的损失,而且该国在过去十年中每年至少经历10起此类灾害。这为持续改善国家应对气候状况的努力奠定了基础。
NOAA维护着各种类型的设备和方法来分析全球天气并预测可能的结果,同时诊断地球的健康状况。鉴于灾害风险增加,该机构制定了关键目标,包括灾害响应、恢复(恢复基本服务和设施)以及减轻损害。
但这是如何运作的?我们有哪些工具可以使用,公共部门如何与私营部门合作解决这些问题?
天气研究创新
Dan Slagen是Tomorrow.io公司的首席营销官,该公司正在帮助弄清楚全球层面正在发生的事情。Tomorrow.io是一家致力于全球天气研究的初创公司。
在最近的TED演讲中,Slagen回顾了这类研究的更多进展,以及该公司如何为更精细的理解做出贡献。
他指出了通过观测进行模型训练、推理和初始化以及强化学习的价值。
"为什么天气预报如此困难?"Slagen问道。
在回答自己的问题时,Slagen指出存在一个关键的数据问题,他称之为"缺乏全球覆盖",以及其他"覆盖性能限制"。
但新的卫星和部署策略可能会有所帮助。
技术创新
Slagen演讲中令人感兴趣的部分是列举了支持操作的五种数据工作。
第一种是多光谱成像,第二种是高分辨率成像。
这些都很直观。第三种对我来说是新的——叫做无线电掩星。
通过搜索发现,这是利用遥感技术研究行星地貌和基础设施的方法。
然后是合成孔径雷达,根据专家资料,这是一种主动遥感形式,利用雷达平台(如卫星或飞机)的运动来模拟大型天线——"合成孔径"——从而能够捕获非常高分辨率的图像。
其工作原理如下:
雷达系统向地面发送微波脉冲。
这些脉冲从地球表面反弹并返回到传感器。
当卫星或飞机移动时,它从不同位置进行多次雷达读数。
这些读数通过信号处理算法组合,创建单个高分辨率图像——就像由更大天线拍摄的一样。
除了上述四种技术外,Slagen还简单提到了"电信"。
他表示,这些技术都不是专门为大气3D研究而设计的。
政府指令
"NASA多年前就意识到了这个缺陷,"Slagen说,"他们基本上说,'看,无论谁提出新的数据架构,都将为全球天气预报带来永久性的阶跃函数变化。'"
Tomorrow.io开始工作,建造了微波探测卫星,现在有七颗卫星在轨道上,最近一颗是几周前从卡纳维拉尔角发射的。
"我们正在建设一个完整的星座,这是地球上第一个商业星座,"Slagen补充道,"目的是首次'看到'天气。"
为什么这很重要?Slagen的一个观点是灾害的集体成本;据估计,在美国每13天就有10亿美元的损失。这让保险理赔员忙个不停。
"地球上很少有事情会影响到所有80亿人,"Slagen说。"天气恰好是其中之一。"
首创项目
关于Slagen声称Tomorrow.io正在开创微波探测卫星的私营部门工作,我通过搜索也发现了诺斯罗普·格鲁曼公司承担的类似项目,该公司是纽约证券交易所的上市公司。然而,深入挖掘后发现,该公司是为NOAA创建的技术,所以从技术上讲,Tomorrow.io的项目确实代表了此类首个完全私营部门的倡议。
观看演讲的其余部分,你可以看到所有这些如何为强大的天气数据做出贡献:Slagen向我们展示了天气活动的生动彩色图片,他解释说,其中大部分都是新的。我们可以详细看到风暴运动,并可以预测随着天气事件的发展,我们个人生活中将会发生什么。在天气似乎不断变化越来越频繁的世界中,这具有重大价值。
Q&A
Q1:Tomorrow.io公司的微波探测卫星有什么特别之处?
A:Tomorrow.io建造了世界上第一个专门用于天气预报的商业微波探测卫星星座,目前已有七颗卫星在轨运行。与传统的多光谱成像、高分辨率成像等技术不同,这些卫星专门为大气3D研究而设计,能够首次真正"看到"天气。
Q2:为什么天气预报这么困难?
A:天气预报面临关键的数据问题,主要是"缺乏全球覆盖"以及其他"覆盖性能限制"。传统的观测技术如多光谱成像、合成孔径雷达等都不是专门为大气3D研究设计的,因此在提供精确的全球天气数据方面存在局限性。
Q3:这项天气预报技术能带来什么实际价值?
A:据统计,美国每13天就有价值10亿美元的天气相关灾害损失,过去十年每年至少发生10起造成超过10亿美元损失的天气灾害。新的卫星技术能够详细显示风暴运动,预测天气事件对个人生活的影响,在气候变化日益频繁的世界中具有重大价值。
好文章,需要你的鼓励
很多人担心被AI取代,陷入无意义感。按照杨元庆的思路,其实无论是模型的打造者,还是模型的使用者,都不该把AI放在人的对立面。
MIT研究团队提出递归语言模型(RLM),通过将长文本存储在外部编程环境中,让AI能够编写代码来探索和分解文本,并递归调用自身处理子任务。该方法成功处理了比传统模型大两个数量级的文本长度,在多项长文本任务上显著优于现有方法,同时保持了相当的成本效率,为AI处理超长文本提供了全新解决方案。
谷歌宣布对Gmail进行重大升级,全面集成Gemini AI功能,将其转变为"个人主动式收件箱助手"。新功能包括AI收件箱视图,可按优先级自动分组邮件;"帮我快速了解"功能提供邮件活动摘要;扩展"帮我写邮件"工具至所有用户;支持复杂问题查询如"我的航班何时降落"。部分功能免费提供,高级功能需付费订阅。谷歌强调用户数据安全,邮件内容不会用于训练公共AI模型。
华为研究团队推出SWE-Lego框架,通过混合数据集、改进监督学习和测试时扩展三大创新,让8B参数AI模型在代码自动修复任务上击败32B对手。该系统在SWE-bench Verified测试中达到42.2%成功率,加上扩展技术后提升至49.6%,证明了精巧方法设计胜过简单规模扩展的技术理念。