专家点评：AI领域独有的竞赛机制赋能气象智能

■ 钟琦

【点评内容】

竞赛是促进交流合作和行业发展的常见和有效手段，比如人工智能领域，知名的ImageNet挑战赛在目标识别领域取得了前所未有的突破，同时催生了很多优秀的计算机视觉解决方案，并反向促进了图像数据量和GPU 性能的飞速增长，数据、模型和算力三者合力带来了一场席卷全球的深度学习革命。

气象领域的预报竞赛也不是新鲜事，全国气象行业职业技能竞赛已举办了十四届，国际规模最大的天气预报竞赛WXchallenges已举办了十七年。随着大数据、人工智能等科学技术的发展，人工智能与气象的融合优势开始崭露头角，跨学科的竞赛方式也日渐风行。如2019年美国华盛顿大学预报团队应用机器学习建立的多模式集成预报系统获得WXchallenges冠军并打破了赛会纪录。2021年世界气象组织发起了应用人工智能提升次季节-季节预报的竞赛，国内高校、企业和气象业务单位也举办了多期人工智能天气预报大赛，主题涵盖AI助力精准气象和海洋预测，强对流短临预报等。

这种AI竞赛机制对新技术融入和推动气象应用具有显而易见的好处：促进理论、业务与技术开发的融合。竞赛的主题大都是接近真实业务的问题需求或技术瓶颈，具有很强的实战性和前沿性，对实际业务中的关键问题常有最直接的促进作用。提供了众筹的科技创新模式，加速AI技术在气象行业落地，不仅拓展天气预报的技术发展空间，更促进了社会协同和开放创新的气象生态环境形成。

目前的AI竞赛也存在显著局限：第一是数据集准备还不够充分。数据是深度学习的生命，数据决定了机器学习的上限，而算法只是逼近这个上限，这是业内共识。目前国内气象AI竞赛在数据开放和获取上不论是种类还是质量都存在限制，这点在国际赛事上体现相对好些，比如全球顶级的数据科学Kaggle竞赛提供较完备的分级训练数据，比如WXchallenges预报竞赛提供较充分的地面站、探空、卫星、雷达、模式等各种资料。第二是比赛虽然采用了3个月至半年不等的时间，竞赛过程中也多有跨学科协作，答辩时也兼具了统计评分和历史疑难个例，但目前更多地是吸引和测试了AI领域的模型，选手目标单一明确，仅服务于竞赛指标，而对关键预报问题的理解并不深入，在模型和调参都难以达到实际最优。此外，在基于纯数据驱动的预报问题仅依赖深度模型优势尚有市场，但气象预报中的难点问题往往与多尺度非线性的物理本质有关，AI方法要真正比已有业务客观预报方法具有优势，需是考虑了物理融合的智能模型。

2020年7月，干部培训学院首批气象教学团队率先成立了“人工智能气象应用团队”，着手“教研咨”一体的培训课程建设和开展分层分类的人工智能气象应用培训。团队参加本次竞赛是锻炼队伍的很好机会，未来，教学团队将聚焦卫星、雷达、数值预报等多源资料，进一步深入探索物理与深度学习模型的融合；将竞赛小组的成果转化开发成实际案例，在培训实习中接受全国学员的检验，为学员带回应用到本地业务提供支撑。