AlphaGo 的學習決策模型是否能用於天氣等具有混沌特性的系統？

比如：大氣系統，整體上也可以視為封閉系統，遵循一定的規律，參數化也達到了一定的水平。

謝謝！

能。但意義有限。

神經網路大約二三十年前就火過一把，當時就有不少相關的文章。

統計方法的話，一般在同化領域和模式數據的後處理領域用的比較多，現在用的最多的一般還是六十年代提出的 OI 最優插值和 KF 卡爾曼濾波。遙感上可能會有一定的應用。

決策模型上，在更早一點的七十年代，就有文章關於 Monte Carlo forecasting 的，現在這個技術多是用來解釋集合預報集的結果的。

這個問題很有趣。
第一，神經網路在理論上可以擬合任何函數。
第二，機器學習的學習方向還是需要人來主導。
第三，天氣系統的演變規律人們並沒有完全摸清。

綜上，通過人工智慧的手段預報天氣有著理論上的可行性，但就目前氣象學的學科狀況而言還有很長的路要走。

目前已有學者利用決策樹演算法對於TC強度，路徑是否轉向、是否登陸做出了準確的預測；數據挖掘及人工智慧技術對於降水、乾旱、道路結冰等氣象災害也都可以做出較為準確的預測及評估。以上問題都是較為簡單的單目標預測模型，建模過程相對簡單，對於複雜的天氣系統便不能考慮單目標的思路建模。

我不完全贊同@耿春91的觀點。目前較為成熟的天氣預報方法是數值預報。但是數值預報的成熟也是基於多年的研究發展，儘管如此，延伸期預報依舊是數值預報的軟肋。我們同樣有理由相信，多年之後世界上或許會出現貝塔狗、伽馬狗準確高效的預報天氣。