![]( "undefined")
第一时间获取气象科研资讯
『气象学家』公众号交流群
加入
『气象学家』公众号交流群
1
可信赖AI的融合研究
在过去十年中，融合研究的价值在于越来越复杂且具有重要社会意义的科学问题的认可。这些问题需要超越传统科学学科界限的知识创造和创新，因此，需要深度融合多样化科学的研究。开发用于天气、气候和沿海灾害的可信赖且被信任和使用的人工智能，是一个多方面的科学问题，需要融合研究来有效和全面地解决。目前可信赖性源自多种因素的复杂交叉，包括用户的决策需求和情境；数据质量和代表性；模型开发过程、技术和细节；模型的可用性、可解释性以及与用户工作流程的集成；对模型开发者专业知识的看法；以及模型在不同灾害和地理区域的性能。这些因素之间的交叉使得人的感知、沟通和决策的中心地位变得尤为重要，因此社会、行为和认知科学家的参与是至关重要的。为此，AI2ES汇集了具有领域专业知识的地球科学家；具有不同人工智能专业知识的计算科学家；以及在判断和决策、风险和决策分析以及自然灾害传播方面有专业知识的社会/行为科学家。并共同致力于与天气预报员等专业人士合作，他们的工作广泛影响社会，并且越来越依赖人工智能。图1展示了如何跨越灾害和研究人员合作开展融合研究。
图 1. AI2ES中体现的融合研究
2
专业决策者对人工智能
可信度的看法
风险信息包含有关潜在威胁、严重性、后果以及与风险相关的建议行动（包括自然灾害造成的行动）的任何类型的信息。人工智能作为一种风险信息形式，在专业、公共和私营部门决策者中发挥着特殊作用。这些决策者包括天气预报员和广播员、应急管理人员、水资源管理人员、关键基础设施人员、学校人员等。他们有责任保护其员工、选民和公众的生命和生计。这些专业用户访问、解释和使用人工智能衍生的信息来评估自然灾害风险，并做出与其工作角色相关的决策，如风险、沟通、减灾和保护行动以及应急响应。人工智能的可信度对于这些专业用户来说至关重要，因为他们的工作决策具有高风险的性质，而这些决策往往具有高度不确定性和时间压力。这样的决策环境使专业用户容易受到指导他们决策的人工智能信息的影响。这放大了他们评估自己是否可以依赖和相信人工智能信息的能力的重要性。这些因素在强对流天气（包括龙卷风、大风和冰雹）的背景下表现得淋漓尽致，因此，这些因素是人工智能可信度初步研究的有价值的重要案例。
在第一个例子中，研究人员利用了两个新开发的、用于严重对流天气预测的原型人工智能模型。第一个应用了一种基于随机森林的技术来预测1英寸和2英寸冰雹的概率。第二个是一个二维卷积神经网络，用于预测对流风暴模式为超级单体、准线性或无组织的概率。这些现有的原型模型使工作组能够设计形成性研究，并与国家气象局预报员收集数据，以具体实例探索关于人工智能可信度的基础研究问题。例如，其研究人员研究的一个核心问题是，不同描述性和性能属性的新人工智能指导如何影响预报员对模型可信赖性的感知。这些属性包括使用的人工智能技术、人工智能模型的训练、人工智能模型的输入变量、人工智能模型的性能以及与人工智能模型的交互。作为一组与大气和人工智能科学家密切合作的风险传播科学家，他们共同开发了一项包含决策任务的调查和结构化访谈协议。通过调查和访谈协议，评估不同特征的重要性；预报员对提供给他们的原型属性信息的感知和评估；以及他们如何应用这些信息来评估基于人工智能的预测指导的可信度。
通过对数据的分析在不同的知识层面上揭示了多个关于高风险决策中人工智能信息的可信赖性和信任的发现。在更广泛的层面上，跨越评估的两种原型产品和属性，研究发现关于人工智能模型技术（特别是关于模型输入变量）的信息、关于模型性能（特别是关于故障模式）的信息，以及能够与人工智能模型输出进行交互，都是增加预报员对人工智能指导可信赖性评估的关键因素。在最普遍的层面上，发现预报员对新人工智能指导的信任是一个逐步的过程。这个过程包括他们初次接触新指导、通过非操作性探索持续熟悉以及在操作预测环境中观察人工智能模型性能并可能将其用于预测的关键阶段。研究进一步发现，以预报员为中心，包括他们在研究过程中，是建立可信赖性的关键部分。这些发现说明了融合科学方法的价值以及由此产生的跨不同层面的多种结果。
3
科学思维的新方式
AI2ES的严重对流天气预测工作组是AI2ES中几个以实际应用为灵感的工作组之一。研究严重对流天气预测的工作组将基础AI专家和地球科学家的工作结合起来，开发以用户为导向的解决方案，以应对可信赖人工智能的挑战。这样多样化的团队在解决科学问题的新方法方面处于有利地位：他们具备专业知识和多样化的视角，能够应用密切的类比，并对意想不到的结果和意外情况创造新的、共享的理解。迄今为止，AI2ES的融合研究努力催生了几个新的研究方向和想法。跨学科和组织的工作组专注于特定的环境灾害案例（例如，沿海雾的预测），共同开发研究方法、工具和产品，以有意义地推进学科科学和融合科学。团队解决问题也促进了通过借鉴不同领域的想法来共同开发更严谨的研究方法。
4
利用人工智能进行基础科学发现
创建可信赖的人工智能需要开发和评估各种人工智能技术，包括可解释和可理解的人工智能以及基于物理的人工智能。通过在各种应用中开发和测试这些技术，可以获得一系列技术，然后将其用于新的应用，包括基础科学发现。人类与人工智能团队可以以多种方式利用人工智能技术进行科学发现。
许多最具破坏性的天气和气候灾害在频率上是罕见的，并且在描述这些灾害的丰富数据集方面也是罕见的。热带气旋就是一个例子，特别是关于其快速增强的数据。使稀有性问题复杂化的是缺乏热带气旋内部结构的观测数据。要观察热带气旋的内部结构，要么需要通过飞机侦察飞越，要么需要使用轨道微波传感器从云中窥视并观察风暴的整体结构。然而，微波传感器位于地球低轨道卫星上，而不是静止轨道上，所以它们的观测是短暂且不频繁的。因此该研究创建了一个深度学习微波传感器，将静止卫星图像转换为模拟微波传感器，特别是针对89 GHz频段。这种方法（图2）使我们能够利用当前静止卫星的时间和空间分辨率，通过模拟微波图像研究热带气旋内部结构的演变。特别是模拟微波传感器允许研究涉及热带气旋结构和强度快速变化的过程，这些过程传统上由于低地球轨道卫星的微波传感器不频繁的飞越而被忽视。虽然在解释基于模拟微波图像的结果时需要谨慎，但生成的热带气旋飞越档案允许使用传统统计和AI/ML方法研究这些稀有且数据稀少的事件。
在AI2ES中关注的另一个例子是龙卷风。龙卷风很少见，而且它们也被低估了，因为现有的仪器，如雷达，在物理上无法提供大气的完整三维图像。人工智能技术使我们能够在大规模数据集中寻找模式，例如龙卷风的理想化模拟。
图 2. 利用模拟微波数据集研究热带气旋结构
5
AI2ES中的融合实践
融合研究是一个持续而不断发展的过程，其在研究团队发展和努力的不同阶段表现出不同的运作方式。Sundstrom等人将这一过程描述为在超越性和专注性研究阶段之间循环，前者涉及对重要研究问题的广泛构思，而后者涉及更精细的方法来追求特定的研究线索。这种循环的方法，在广泛和详细的科学调查之间转换，同时建立在不断发展的研究基础上，在人工智能领域尤为重要，因为该领域的人工智能能力、认知和进展迅速变化。除了AI2ES致力解决的创新科学挑战外，同样重要的是促进融合的实践和价值观。融合需要领导者将来自不同学科的多样性和常常截然不同的参与者完全平等地聚合和启用。它需要大量时间的投入：建立团队成员之间的关系、交换、翻译、融合和连接思想的时间，以及综合共同产生的知识。
在AI2ES中，他们通过多种方式实施这些重要的实践和价值观。每两周举行一次的领导层会议，参与者包括研究所领导、重点领域负责人、私营和政府部门的合作伙伴，以及外部评估人员。这些会议培养了一种重视融合研究、团队成员之间相互尊重以及所有AI2ES人员贡献的文化。在操作层面上，AI2ES组织了多个跨领域工作组，专注于与自然灾害情景相关的关键研究和工作流程主题。除了组织的工作组外，AI2ES还通过其早期研究人员之间的新兴网络鼓励融合。这些包括本科生、研究生、博士后学者以及新任研究科学家。这些跨学科和跨机构的小组最初是为了支持特定研究任务，但往往过渡为有益的环境氛围，用于提出问题、分享经验、提供建议，并跨强大的学科和机构分界线传递知识。另一个融合研究的关键部分是教育。如果我们要利用和部署更多融合的努力来解决我们及时和尖锐的挑战，我们当前和未来的科学家的培训必须超越当前的实践。大多数大学的当前实践侧重于学科知识，通常忽视了跨学科和融合科学。为了培养未来的融合研究者，AI2ES从学士和研究生开始有意识地创建一种包容的文化，使研究小组的每个成员都知道他们能够向其他学科提问并愿意学习。
6
未来展望
在未来，伙伴关系将是确保人工智能从基础研究到部署全过程都能够可信的关键。目前，私营行业主导着基础模型的开发，而政府和公共实体则领导数据的收集。学术界和政府可能没有足够的计算资源来开发大型基础模型，并跟上市场力量和私营部门的步伐。私营部门中非常快速的发展和专有方法可能会使伙伴关系复杂化，并且难以评估人工智能模型，更不用说对其进行监管。学术界有能力在初步研究中承担更大的风险，而政府可以帮助吸引关键的最终用户参与模型的共同生产。然而，这些伙伴关系的建立和维持可能具有挑战性，特别是在美国，其中资金通常没有设立用于促进学术界、私营行业和政府组织之间连接和合并努力的机制。这些伙伴关系的挑战与重要性为未来的融合研究努力提供了另一个重要的机会。
资料整理 | 薛智文
排版编辑 | 梁家荣
来源 | 复合链生自然灾害
声明：欢迎转载、转发。气象学家公众号转载信息旨在传播交流，其内容由作者负责，不代表本号观点。文中部分图片来源于网络，如涉及内容、版权和其他问题，请联系小编(微信：qxxjgzh)处理。
