石橋知博喜歡矽谷的天氣。
他在週二的GPU 技術大會上發表演講時，一開場便笑著解釋說加州溫和的氣候，使得這裡成為一個絕佳的地方，讓人想要開發出一套更好的辦法去預測天氣。
這正是日本 Weathernews 公司想做的事情。他們與總部位於東京的新創公司 dAIgnosis 合作，利用一般市民回報的內容和日本傑出的地面雷達站系統，來訓練一套人工智慧模型，以便產生出更精準的降雨預報。
這是顛覆傳統天氣預報模型的完美作法。Weathernews 業務總監石橋知博說傳統天氣預報模型依靠國家天氣預報服務，加上先進的衛星和地面雷達系統，這些服務和系統又將其預測內容傳送給媒體，媒體再告知一般大眾。
問題是這個模型的準確性在過去二十年裡並未明顯改善。石橋知博以百米賽跑來比喻，精英短跑運動員在過去幾十年間衝線成績進步的幅度，都還不到一秒鐘。
想要大幅增進的話，就必須要有一種新的方法。「要是可以用機器，像是背一個火箭背包，就能在六秒或五秒內跑百米。」石橋知博說。
深度學習就是那個火箭背包。
在全球二十一國創造出1.5億美元的收入且擁有八百名員工的 Weathernews，與只有十名員工且專注於發展人工智慧技術的 dAIgnosis 公司合作，透過人工智慧、智慧型手機網路和自動裝置來解決天氣預報等新興問題。
dAIgnosis 與 Weathernews 聯手建立了一個在 NVIDIA DGX-1 和 NVIDIA DGX-2 系統上運行的生成對抗網路，利用衛星影像來預測雨雲將形成的位置。
衛星影像的優勢：三顆衛星可以從高空看到全球大部分地區的天氣，但少了建造和操作成本高昂的高精度地面雷達系統，也無法偵測到雨雲。日本雖擁有先進的地面雷達網路，世界上大部分地區卻沒有。
加上用戶提供和 Twitter 上回報的天氣狀況，地面雷達網路提供了絕佳的「地面實況」消息來源，可用於由 DGX 使用衛星資料來訓練某種 GAN，以建立雨雲模型。少了這些資料，便無法修正（或訓練）模型以產生出更好的預測結果。
這使得四季分明且有突發降雨的日本提供了完美的天氣條件，讓 Weathernews 能建立更好的方式來模擬和預測各地的天氣。
精選圖片：Valerian Guillot via Flickr，保留部分權利。
a {
text-decoration: none;
}