หัวเว่ย คลาวด์ (HUAWEI CLOUD) เผยผานกู่ เวเธอร์ (Pangu-Weather) ซึ่งเป็นโมเดลเอไอพยากรณ์อากาศที่หัวเว่ย คลาวด์ พัฒนาขึ้น ได้เปิดให้ใช้งานแล้ว โมเดลเอไอนี้ช่วยให้พยากรณ์อากาศได้แม่นยำยิ่งขึ้น โดยปรับปรุงความเร็วในการทำนายได้ถึง 10,000 เท่า ลดเวลาในการพยากรณ์อากาศทั่วโลกเหลือเพียงไม่กี่วินาที ช่วยอำนวยความสะดวกในการทำนายล่วงหน้าและเตรียมการรับมือสภาพอากาศที่รุนแรง ผลลัพธ์เหล่านี้ได้รับการตีพิมพ์ในวารสารทางวิทยาศาสตร์ชั้นนำอย่างเนเจอร์ (Nature) เมื่อวันที่ 5 กรกฎาคม 2566
ผานกู่ เวเธอร์ เป็นแบบจำลองการพยากรณ์ด้วยเอไอแบบแรก ที่มีความแม่นยำสูงกว่าวิธีการพยากรณ์อากาศด้วยตัวเลขแบบเดิม และเผยแพร่สู่สาธารณะเป็นครั้งแรกให้ใช้ได้ฟรีบนเว็บไซต์ศูนย์พยากรณ์อากาศระยะกลางแห่งยุโรป (European Center for Medium-Range Weather Forecasts หรือ ECMWF) เปิดโอกาสให้นักพยากรณ์อากาศ นักอุตุนิยมวิทยา ผู้ที่ชื่นชอบสภาพอากาศ และประชาชนทั่วโลก มีแพลตฟอร์มไว้ดูการพยากรณ์อากาศทั่วโลกตลอด 10 วันจากแบบจำลองผานกู่
ดร. เทียน ฉี หัวหน้านักวิทยาศาสตร์สายเอไอของหัวเว่ย คลาวด์ ซึ่งเป็นสมาชิกของ IEEE และเป็นนักวิชาการของสถาบันวิทยาศาสตร์ยูเรเชียนนานาชาติ (International Eurasian Academy of Sciences) อธิบายว่า การพยากรณ์อากาศเป็นสถานการณ์ที่สำคัญที่สุดสถานการณ์หนึ่งของการคำนวณทางวิทยาศาสตร์ เพราะการพยากรณ์ทางอุตุนิยมวิทยาเป็นระบบที่ซับซ้อนมาก ยากที่จะพยากรณ์ให้ได้อย่างครอบคลุม แม้จะใช้คณิตศาสตร์และความรู้ทางกายภาพทุกด้าน โดยผานกู่ เวเธอร์ ทำระบบพยากรณ์หลักเสร็จแล้ว และมีศักยภาพหลักในการพยากรณ์วิวัฒนาการของสภาวะบรรยากาศ
นอกเหนือจากการพยากรณ์อากาศล่วงหน้า 10 วันแล้ว ทางศูนย์พยากรณ์อากาศระยะกลางแห่งยุโรปยังเผยแพร่รายงานเปรียบเทียบผลการพยากรณ์อากาศโดยผานกู่ เวเธอร์ กับระบบพยากรณ์อากาศเชิงตัวเลข (NWP) ชั้นนำระดับโลกอย่างอีซีเอ็มดับเบิลยู ไอเอฟเอส (ECMWF IFS) ตั้งแต่เดือนเมษายนถึงกรกฎาคม 2566 ด้วย
รายงานดังกล่าวเปิดเผยว่า การนำวิธีการเรียนรู้ของเครื่อง (ML) เช่น ผานกู่ เวเธอร์ มาใช้ อาจเป็น “ตัวเปลี่ยนเกมสำหรับการพยากรณ์อากาศเชิงตัวเลข (NWP) แบบดั้งเดิมที่มีความก้าวหน้าค่อนข้างช้า” ซึ่งทักษะในการพยากรณ์ได้เพิ่มขึ้นประมาณหนึ่งวันต่อทศวรรษ (อ้างอิงจากองค์การอุตุนิยมวิทยาโลก หรือ WMO) ซึ่งเป็นผลมาจากต้นทุนการประมวลผลที่สูงในการพยากรณ์ด้วยระบบพยากรณ์อากาศเชิงตัวเลขมาตรฐาน โดยแบบจำลองการเรียนรู้ของเครื่องพร้อมเข้ามาปฏิวัติการพยากรณ์อากาศ ด้วยการพยากรณ์ที่ใช้ต้นทุนการประมวลผลที่ต่ำกว่ามากและมีการแข่งขันสูงในแง่ของความแม่นยำ
