تیمی به رهبری Microsoft Research روز ۱۴ اکتبر ۲۰۲۶ در مجله Nature روشی منتشر کرد که پیش‌بینی هوا را در بازه دشوار دو تا شش هفته آینده دقیق‌تر می‌کند. این روش که probabilistic bias correction یا به اختصار PBC نام دارد، جایگزین سامانه‌های موجود نمی‌شود؛ بلکه بررسی می‌کند یک مدل مشخص در گذشته چگونه خطا کرده و پیش‌بینی‌های احتمالاتی تازه آن را بر همین اساس تنظیم می‌کند. کد آن به‌صورت متن‌باز در GitHub و Zenodo در دسترس است و پژوهشگرانی از Microsoft، MIT و مرکز اروپایی پیش‌بینی‌های میان‌مدت هواشناسی (ECMWF) در میان نویسندگان آن هستند.
این بازه زمانی برای کشاورزانی که زمان کاشت را انتخاب می‌کنند، برای برنامه‌ریزان انرژی و آب و برای نهادهایی که برای سیل یا موج گرما آماده می‌شوند اهمیت زیادی دارد. مدل‌های فیزیکی و مدل‌های هوش مصنوعی امروز تا حدود دو هفته قابل اتکا هستند، اما پس از آن خطاها روی هم انباشته می‌شوند و سوگیری‌های نظام‌مند غالب می‌شوند. مقاله استدلال می‌کند بخشی از این خطا قابل پیش‌بینی است. PBC با پیش‌بینی‌های گذشته خود مدل و مشاهدات تاریخی آموزش می‌بیند و داده‌های بازتحلیل ERA5 را مبنای واقعیت قرار می‌دهد. سپس دو اصلاح آموخته‌شده را ترکیب می‌کند: یکی توزیع پیش‌بینی را مستقیماً از نو تنظیم می‌کند و دیگری وضعیت هوای اخیر را هم به حساب می‌آورد. خروجی نهایی میانگین این دو است.
پژوهشگران PBC را روی سه سامانه پیشرو برای هفته‌های سوم و چهارم آزمودند: مجموعه پیش‌بینی دینامیکی عملیاتی ECMWF، سامانه پیش‌بینی هوش مصنوعی ویژه بازه فصلی آن (AIFS-SUBS) و POET، مدلی ترکیبی که خروجی مجموعه ECMWF را با شبکه‌های عصبی پردازش می‌کند. بر اساس امتیاز مهارت احتمالاتی در مقایسه با میانگین اقلیمی، PBC مهارت میانگین سامانه هوش مصنوعی را در سال ۲۰۲۵ دو برابر کرد، هرچند نقطه شروع پایین و حدود ۰٫۰۳ بود. در مدل دینامیکی ECMWF که پیش‌تر به‌طور عملیاتی اصلاح شده بود، نتایج برای ۹۱ درصد اهداف فشار، ۹۲ درصد اهداف دما و ۹۸ درصد اهداف بارش بهتر شد. حتی POET در سال ۲۰۲۴ در بارش ۶۸ تا ۹۸ درصد، در فشار سطح دریا ۱۵ تا ۲۳ درصد و در دما ۵ تا ۷ درصد بهبود یافت.
محکم‌ترین شاهد از یک رقابت زنده به دست آمد. در AI Weather Quest سال ۲۰۲۵ که ECMWF برگزار کرد و تیم‌ها هر هفته پیش از وقوع هوا پیش‌بینی‌های جهانی خود را ارسال می‌کنند، یک مدل مبتنی بر PBC به نام MicroDuet بهترین پیش‌بینی را برای همه متغیرها و همه بازه‌های زمانی ارائه داد. این مدل از مدل‌های دینامیکی شش مرکز عملیاتی، یک مجموعه بین‌المللی چندمدلی، سامانه هوش مصنوعی خود ECMWF و سامانه‌های ۳۴ تیم از سراسر جهان بهتر عمل کرد.
هزینه پایین یکی از نقاط قوت اصلی است. چون مدل کوچک است، تیم آن را هر روز فقط با داده‌هایی که در همان تاریخ در دسترس بوده دوباره آموزش می‌دهد تا شرایط عملیاتی را شبیه‌سازی کند. لستر مکی از Microsoft Research New England به The Verge گفت این ابزار روی پردازنده‌های معمولی اجرا می‌شود و به ابررایانه یا خوشه‌های GPU نیاز ندارد. جنویو فلاسپولر، از نویسندگان مقاله که اکنون در سازمان غیرانتفاعی Rhiza Research فعالیت می‌کند، گفت همکاری آنها با سازمان هواشناسی کنیا با حمایت مالی بنیاد گیتس، PBC را پیش از فصل بارانی که انتظار می‌رود شدید باشد آزمایش می‌کند.
نگاهی بیرونی هم از سوی خود ECMWF مطرح شد. متیو چانتری، مسئول راهبردی یادگیری ماشین در این مرکز، به The Verge گفت این مقاله نمونه خوبی از ایده‌هایی است که برای استفاده جامعه علمی پرورده می‌شوند، اما هشدار داد که انتقال هر روشی به یک فرایند عملیاتی همیشه سخت‌ترین مرحله است.
چند محدودیت وجود دارد. مقادیر مطلق مهارت در هفته‌های سوم و چهارم همچنان پایین است، پس دو برابر شدن یک سیگنال ضعیف هنوز به پیش‌بینی‌ای متوسط می‌انجامد. نتایج رقابت فقط فصل‌هایی را پوشش می‌دهد که مقاله گزارش کرده و هیچ سازمان هواشناسی هنوز استفاده عملیاتی از آن را اعلام نکرده است. چند نفر از نویسندگان کارمند یا سهام‌دار Microsoft هستند؛ موضوعی که در بخش تعارض منافع مقاله آمده است.