Science重磅：1分钟内生成10天气象预报，AI击败全球最好预报系统

在天气预报方面，人工智能（AI）颠覆了传统方法，有望以更快的速度和更低的成本实现更准确的预测。

Google DeepMind 推出的一款基于机器学习的天气预测模型——GraphCast，在全球 0.25°的分辨率下，在一分钟内预测未来 10 天的数百个天气变量，显著优于传统气象预报方法。此外，该模型在预测极端事件方面同样表现良好。

相关研究论文以“Learning skillful medium-range global weather forecasting”为题，已发表在权威科学期刊Science上。另外，相关开源代码也已发布在 Github 上。

这一研究成果表明，未来的天气预报（如日常天气和飓风、酷暑和严寒等极端事件）可能会变得更加准确。

9 月份发生在北大西洋的飓风“Lee”便是一个成功预测的例子。论文共同一作、共同通讯作者 Rémi Lam 表示，“GraphCast 能够在飓风发生前 9 天正确预测‘Lee’将在新斯科舍省登陆，而传统方法只能预测 6 天。这让人们多了 3 天时间为它的到来做好准备。”

对此，欧洲中期天气预报中心（ECMWF）机器学习协调员 Matthew Chantry 表示，AI 系统在气象学方面的进展“甚至比我们两年前的预期还要快得多，也更令人印象深刻”。

“GraphCast 一直比其他机器学习模型（如英伟达的 FourCastNet）表现得更好，而且在很多方面，它比我们自己的预测系统更准确。”

1 分钟内预测未来 10 天的天气

天气对人类具有广泛而深远的影响，涉及到生活、健康、经济等多个方面。

天气预报是科学领域中最古老且充满挑战的工作之一。中期预测在支持涉及可再生能源到活动物流等跨部门的关键决策方面起着至关重要的作用，然而要做到准确有效却非常困难。

通常，天气预测依赖于数值天气预报（NWP），该方法从精确定义的物理方程出发，然后转化成在超级计算机上运行的计算机算法。尽管这一传统方法在科学和工程领域取得了成功，但设计方程和算法十分耗时，而且做出准确的预测需要深厚的专业知识和昂贵的计算资源。

据论文描述，GraphCast 是一种基于机器学习和图神经网络 (GNN) 的天气预报系统，就能耗而言，它可能要比传统方法便宜 1000 倍。

GraphCast 以 0.25 度经度/纬度（赤道处 28 公里 x 28 公里）的高分辨率进行预测，超过一百万个网格点覆盖了整个地球表面。在每个网格点，该模型预测 5 个地球表面变量（包括温度、风速和风向以及平均海平面压力）以及 37 个海拔高度的每个高度的 6 个大气变量（包括比湿度、风速和风向以及温度）。

虽然 GraphCast 的训练计算量很大，但生成的预测模型非常高效。在一台谷歌 TPU v4 机器上使用 GraphCast 进行 10 天预测只需要不到一分钟时间。相比之下，使用传统方法（例如 HRES）进行 10 天的预测可能需要在超级计算机中进行数小时的计算。

为了评估 GraphCast 的预测技能，研究人员将 GraphCast 与目前最准确的中程天气预测模型 HRES 进行比较，结果发现，在 1380 个验证目标中，GraphCast 在 90% 的情况下明显优于 HRES。

此外，该模型更擅长预测极端事件，如热带气旋路径、大气河流（负责极向水汽输送的大气狭窄区域）和极端温度异常。

另外，除了天气预测，GraphCast 还可以开辟其他地理时空预测新方向，包括气候和生态学、能源、农业、人类和生物活动，以及其他复杂的动力系统。

此前，一些研究人员对 AI 准确预报极端天气的能力表示了担忧，部分原因是过去可借鉴的此类事件相对较少。然而，GraphCast 在 2-4 天的准备时间内将气旋预报轨道误差减少了约 10-15 英里，将与大气河流相关的水蒸气预报提高了 10%-25%，并提前 5-10 天提供了更精确的酷热和严寒预报。

“一般认为，使用 AI 可能无法很好地预测罕见的异常情况。但它似乎在这方面做得很好，”Google DeepMind 研究总监、该研究的共同作者之一 Peter Battaglia 表示，“这也说明该模型捕捉到了天气如何随时间演变的更基本的东西，而不仅仅是在数据中寻找更肤浅的模式。”

但这并不意味着 AI 已经可以取代所有传统预报方法。在将 GraphCast 等 AI 模型可靠地用于业务预报之前，还需要克服其他挑战。

例如，该方法存在一个重要限制在于如何处理不确定性。研究的关注点主要集中在确定性预测上。GraphCast 的均方误差（MSE）训练目标鼓励在存在不确定性的情况下在空间上模糊其预测，然而在某些应用中，特别是在了解事件尾部或联合概率的情境下，可能并不理想。

而且，由于训练数据和工程设计方面的限制，全球 AI 模型还不能像传统模型那样生成那么多参数或那么精细的预测。这使得 AI 模型在预测雷暴和山洪暴发等较小范围的现象，或在预测可能在小范围内产生巨大降水量差异的较大天气系统时，作用不大。

此外，气象学家也还不是特别信任 AI 模型，因为这些模型的内部运作不如传统模型透明。科罗拉多州立大学大气研究合作研究所数据可视化研究员 Jacob Radford 在一封电子邮件中说：“预报员的一个关键角色是向合作伙伴解释和传达信息，由于缺乏工具来确定 AI 模型为什么会做出这样的预测，这项任务变得更具挑战性。这些模型仍处于起步阶段，在考虑投入使用之前，仍需要在研究和预报员群体中建立信任。”

尽管该研究存在很多局限性，但研究人员深信，这标志着天气预测迎来了一个重要的转折点，为人类开辟了一条全新的道路。

而且，他们表示，这一方法也不应该被视为传统天气预报方法的替代品，传统天气预报方法已经发展了几十年，在许多现实环境中经过了严格的测试，并提供了许多人类尚未探索的功能。

“相反，我们的工作应该被解释为 AI 天气预报能够应对现实世界预报问题挑战的证据，并且有潜力补充和改进当前的最佳方法。”

AI 气象预报的一些进展

在过去两年中，包括谷歌、微软和英伟达在内的大型科技公司在 AI 天气建模方面取得了诸多进展，这些公司都发表了学术论文，称其 AI 模型的性能至少与欧洲模型相当。这些说法得到了 ECMWF 科学家的证实。

今年 7 月，同时刊登在 Nature 上的两篇关于“AI 气象预报”的研究论文，也提到了两种基于 AI 的气象预报方法。

由华为云开发的盘古气象（Pangu-Weather）模型使用 39 年的全球再分析天气数据作为训练数据，其预测准确率与全球最好的数值天气预报系统 IFS 相当，在相同的空间分辨率下比 IFS 系统快 10000 倍以上。

此外，由机器学习领域泰斗、加州大学伯克利分校教授 Michael Jordan 和清华大学教授王建民领导的联合研究团队提出的模型 NowcastNet，可以结合物理规律和深度学习，进行实时预报降水。

上个月，英国气象局（Met Office）宣布与人工智能研究中心艾伦·图灵研究所（Alan Turing Institute）合作，开发自己的天气预报图神经网络，并将其纳入现有的超级计算机基础设施。

英国气象局科学主任 Simon Vosper 谈道，需要在预报中考虑气候变化因素。“如果基于 AI 的系统只是在以前的天气条件下接受‘训练’，那么质疑这些系统是否能够捕捉到新的极端天气是很有说服力的。”

Vosper 还表示：“我们的目标是，在利用基于大气物理学的传统计算机模型的同时，充分利用 AI 所能提供的最佳功能。我们相信，这种技术融合将在这个巨变的时代提供最强大、最详细的天气预报。”

可以预见的是，在天气预报中使用 AI 将使人们的日常生活受益，但 AI 也绝不会止步于此。

正如 Google DeepMind 在博客中提到的：“我们的研究不仅仅是预测天气，而是了解更广泛的气候模式。通过开发新工具和加速研究，我们希望 AI 能够帮助国际社会应对我们面临的最大环境挑战。”