【小哈划重点：谷歌DeepMind介绍，GraphCast是一种基于机器学习和图神经网络（GNN）的天气预报系统，GNN是处理空间结构化数据特别有用的架构。它以0.25度经度/纬度的高分辨率进行预测。】
哈希力量鉴定提示：此文含有软性广告。
· 谷歌DeepMind的GraphCast模型在天气预报方面的持续表现优于已经存在了几十年、耗资巨大的传统模型，准确性和速度都表现优秀。专家称，人工智能系统在气象学领域取得的进展“比我们两年前的预期快得多，也更令人印象深刻”。
人工智能在预测未来10天的天气方面已超越了传统的方法。
当地时间11月14日，人工智能开发机构谷歌DeepMind在《科学》杂志发表论文，详细介绍了其开发的人工智能模型GraphCast。该机构称，GraphCast在天气预报方面的持续表现优于已经存在了几十年、耗资巨大的传统模型，准确性优于被广泛认为是黄金标准的“欧洲模型”。此外，模型的速度也要快很多倍：在1分钟内以前所未有的准确度提供中期天气预报。
在气象气候预报任务中，全球中期天气预报（大约未来10天内）是最重要的预测任务之一。GraphCast的出色性能，以及华为公司、英伟达公司和上海人工智能实验室等研发的类似人工智能模型，可能标志着天气预报新时代的开始。但专家也表示，这并不意味着人工智能已准备好取代所有传统预测方法。
来自GraphCast人工智能模型的地面风速预测。
“使用数据而不是物理方程”
谷歌DeepMind在一篇新闻稿中表示，天气预报是最古老、最具挑战性的科学事业之一。中期预测对于支持从可再生能源到物流等跨部门的关键决策非常重要，但很难准确有效地进行。
预测通常依赖于数值天气预报（NWP），它基于物理方程，然后转化为在超级计算机上运行的算法。虽然这种传统方法是科学和工程的胜利，但设计方程和算法非常耗时，且需要深厚的专业知识以及昂贵的计算资源才能做出准确的预测。而深度学习提供了一种不同的方法：使用数据而不是物理方程来创建天气预报系统。
GraphCast是一种基于机器学习和图神经网络（GNN）的天气预报系统。
“GraphCast经过数十年历史天气数据的训练，以学习控制地球天气从现在到未来如何演变的因果关系模型。”这篇新闻稿写道，“至关重要的是，GraphCast和传统方法齐头并进：我们使用来自ECMWF（欧洲中期天气预报中心）的ERA5数据集的40年天气再分析数据来训练GraphCast。该数据库基于卫星图像、雷达和气象站等历史天气观测结果，使用传统的数值天气预报来‘填补观测结果不完整的空白’，从而重建全球历史天气的丰富记录。”
谷歌DeepMind介绍，GraphCast是一种基于机器学习和图神经网络（GNN）的天气预报系统，GNN是处理空间结构化数据特别有用的架构。它以0.25度经度/纬度的高分辨率进行预测。超过100万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个海拔高度中每个高度的6个大气变量，包括特定的湿度、风速和风向以及温度。
谷歌DeepMind称，在一台谷歌TPU（张量处理单元）v4机器上使用GraphCast进行10天内的天气预测只需不到1分钟。相比之下，使用传统方法进行该预测可能需要在拥有数百台机器的超级计算机中进行数小时的计算。
据介绍，在针对黄金标准确定性系统HRES（高分辨率预报）的综合性能评估中，GraphCast对1380个测试变量中的90%以上提供了更准确的预测。“当我们将评估限制在对流层（距离地球表面最近的6-20公里高的大气区域，准确的预测最为重要）时，我们的模型在99.7%的未来天气测试变量上优于HRES。”
谷歌DeepMind的分析还表明，GraphCast可以提供极端天气事件的早期预警，准确预测未来的气旋轨迹，识别与洪水风险相关的大气河流，并预测极端气温的出现，这种能力有可能通过加强准备来拯救生命。
严重事件预测——GraphCast和HRES的比较。
“9月，部署在ECMWF网站上的公开GraphCast模型的实时版本，提前约9天准确预测了飓风Lee将在新斯科舍省（Nova Scotia）登陆。相比之下，传统预报对于登陆地点和时间的可变性更大，并且只能提前大约6天锁定新斯科舍省。”谷歌DeepMind称。
此外，在气候变暖的当下，预测极端温度变得越来越重要。据介绍，GraphCast可以描绘地球上任何给定位置的热量何时升至历史最高温度以上。这对于预测越来越常见的热浪、破坏性和危险事件特别有用。
其他天气预报模型表现
随着天气模式在气候变化中的演变，GraphCast将随着更高质量数据的出现而发展和改进。为了让人工智能天气预报变得更容易，谷歌DeepMind开源了模型的代码。欧洲中期天气预报中心已经在试验GraphCast的10天预报。
谷歌长期以来一直在研究人工智能在天气预报上的应用，包括可提前90分钟进行预报的区域即时预报模型，以及已在美国和欧洲各地运行的区域天气预报模型MetNet-3。谷歌称其24小时预报比任何其他系统都更准确。
欧洲中期天气预报中心的机器学习协调员马修•钱特里（Matthew Chantry）告诉《金融时报》，人工智能系统在气象学领域取得的进展“比我们两年前的预期快得多，也更令人印象深刻”。“GraphCast一旦训练好，操作起来就非常便宜。就能源消耗而言，可能会便宜1000倍。这是一个奇迹般的进步。”据该媒体报道，欧洲中期天气预报中心一直在使用华为、英伟达以及DeepMind的人工智能模型，以及其自身的综合预测系统进行实时预测。这3个模型都提前一周确定了飓风Lee的路径预测。
华为云盘古气象大模型于今年7月正式上线欧洲中期天气预报中心官网。全球天气预报员、气象爱好者和普通公众都可以免费查看盘古对未来10天全球天气的预测。该中心还公布了盘古气象大模型今年4-7月和欧洲数值模式的对比测试报告，显示盘古大模型在一系列气象学家关心的精度指标和极端天气预报中都展现出优势，具有强大竞争力和巨大潜力。《自然》杂志也于当月发表了华为云盘古大模型研发团队的研究成果，审稿人对该成果评价称：“华为云盘古气象大模型让人们重新审视气象预报模型的未来，模型的开放将推动该领域的发展。”
今年4月，上海人工智能实验室联合中国科学技术大学、上海交通大学、南京信息工程大学、中国科学院大气物理研究所及上海中心气象台发布全球中期天气预报大模型“风乌”。当时上海人工智能实验室介绍称，基于多模态和多任务深度学习方法构建，“风乌”首次实现在高分辨率上对核心大气变量进行超过10天的有效预报。“风乌”在80%的评估指标上超越GraphCast，仅需30秒即可生成未来10天全球高精度预报结果。在预报精度方面，相比GraphCast，“风乌”的10天预报误差降低10.87%，而相比于传统的物理模型，其误差降低19.4%。
钱特里说，欧洲中期天气预报中心的下一步将是建立自己的人工智能模型，并考虑将其与数值天气预报系统相结合。“我们是可以将对物理学的理解注入这些机器学习系统的，这些系统可能看起来像黑匣子一样”。
上月，英国气象局宣布与英国人工智能研究中心艾伦·图灵研究所（Alan Turing Institute）合作，开发自己用于天气预报的图神经网络，并将其整合到现有的超级计算机基础设施中。英国气象局科学主任西蒙·沃斯珀（Simon Vosper）指出，在预测时需要考虑气候变化，“如果基于人工智能的系统只接受过以往天气条件数据的‘训练’，那么质疑这些系统是否能够发现新的极端情况是合理的。”他说。
据报道，人工智能在预测墨西哥太平洋沿岸飓风奥蒂斯（Otis）的突然爆炸式增强方面并不比传统的物理模型更好，这场飓风于10月25日在几乎没有预警的情况下摧毁了阿卡普尔科（Acapulco）。
在人工智能模型能够可靠地用于预测天气之前，还存在其他挑战。例如，由于训练数据和工程限制，全球人工智能模型尚无法生成与传统模型一样多的参数或粒度的预测。这使得人工智能模型在预测雷暴和山洪等较小规模的现象或可在短距离内产生巨大降水量差异的较大天气系统方面不太有用。
《华盛顿邮报》指出，大多数专家，包括谷歌DeepMind上述研究的作者都认为，传统模型不会被人工智能模型取代，人工智能模型仍然依赖于旧模型来提供训练数据并生成当前条件，作为预测的起点。
参考论文：https://www.science.org/doi/10.1126/science.adi2336
责任编辑：郑洁，校对：张艳
https://www.thepaper.cn/newsDetail_forward_25303481
