·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，可能标志着景象预报新时期的开始。
但这并不虞味着人工智能已准备好取代所有传统预测方法。

人工智能在预测未来10天的景象方面已超越了传统的方法。

当地韶光11月14日，人工智能开拓机构谷歌DeepMind在《科学》杂志揭橥论文，详细先容了其开拓的人工智能模型GraphCast。
该机构称，GraphCast在景象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，模型的速率也要快很多倍：在1分钟内以前所未有的准确度供应中期景象预报。

在气候景象预报任务中，环球中期景象预报（大约未来10天内）是最主要的预测任务之一。
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，可能标志着景象预报新时期的开始。
但专家也表示，这并不虞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。

“利用数据而不是物理方程”

谷歌DeepMind在一篇***稿中表示，景象预报是最古老、最具寻衅性的科学奇迹之一。
中期预测对付支持从可再生能源到物流等跨部门的关键决策非常主要，但很难准确有效地进行。

预测常日依赖于数值景象预报（NWP），它基于物理方程，然后转化为在超级打算机上运行的算法。
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，且须要深厚的专业知识以及昂贵的打算资源才能做出准确的预测。
而深度学习供应了一种不同的方法：利用数据而不是物理方程来创建景象预报系统。

GraphCast是一种基于机器学习和图神经网络（GNN）的景象预报系统。

“GraphCast经由数十年历史景象数据的演习，以学习掌握地球景象从现在到未来如何演化的因果关系模型。
”这篇***稿写道，“至关主要的是，GraphCast和传统方法齐头并进：我们利用来自ECMWF（欧洲中期景象预报中央）的ERA5数据集的40年景象再剖析数据来演习GraphCast。
该数据库基于卫星图像、雷达和气象站等历史景象不雅观测结果，利用传统的数值景象预报来‘补充不雅观测结果不完全的空缺’，从而重修环球历史景象的丰富记录。
”

谷歌DeepMind先容，GraphCast是一种基于机器学习和图神经网络（GNN）的景象预报系统，GNN是处理空间构造化数据特殊有用的架构。
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全体地球表面，在每个网格点，该模型预测5个地球表面变量（包括温度、风速和风向以及均匀海平面压力）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机器上利用GraphCast进行10天内的景象预测只需不到1分钟。
比较之下，利用传统方法进行该预测可能须要在拥有数百台机器的超级打算机中进行数小时的打算。

据先容，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%以上供应了更准确的预测。
“当我们将评估限定在对流层（间隔地球表面最近的6-20公里高的大气区域，准确的预测最为主要）时，我们的模型在99.7%的未来景象测试变量上优于HRES。
”

谷歌DeepMind的剖析还表明，GraphCast可以供应极度景象事宜的早期预警，准确预测未来的气旋轨迹，识别与大水风险干系的大气河流，并预测极度气温的涌现，这种能力有可能通过加强准备来拯救生命。

严重事宜预测——GraphCast和HRES的比较。

“9月，支配在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）上岸。
比较之下，传统预报对付上岸地点和韶光的可变性更大，并且只能提前大约6天锁定新斯科舍省。
”谷歌DeepMind称。

此外，在景象变暖确当下，预测极度温度变得越来越主要。
据先容，GraphCast可以描述地球上任何给定位置的热量何时升至历史最高温度以上。
这对付预测越来越常见的热浪、毁坏性和危险事宜特殊有用。

其他景象预报模型表现

随着景象模式在景象变革中的演化，GraphCast将随着更高质量数据的涌现而发展和改进。
为了让人工智能景象预报变得更随意马虎，谷歌DeepMind开源了模型的代码。
欧洲中期景象预报中央已经在试验GraphCast的10天预报。

谷歌长期以来一贯在研究人工智能在景象预报上的运用，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景象预报模型MetNet-3。
谷歌称其24小时预报比任何其他系统都更准确。

欧洲中期景象预报中央的机器学习折衷员马修•钱特里（Matthew Chantry）见告《金融时报》，人工智能系统在气候学领域取得的进展“比我们两年前的预期快得多，也更令人印象深刻”。
“GraphCast一旦演习好，操作起来就非常便宜。
就能源花费而言，可能会便宜1000倍。
这是一个奇迹般的进步。
”据该媒体宣布，欧洲中期景象预报中央一贯在利用华为、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。

华为云盘古气候大模型于今年7月正式上线欧洲中期景象预报中央官网。
环球景象预报员、气候爱好者和普通"大众年夜众都可以免费查看盘古对未来10天环球景象的预测。
该中央还公布了盘古气候大模型今年4-7月和欧洲数值模式的比拟测试报告，显示盘古大模型在一系列气候学家关心的精度指标和极度景象预报中都展现出上风，具有强大竞争力和巨大潜力。
《自然》杂志也于当月揭橥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：“华为云盘古气候大模型让人们重新核阅气候预报模型的未来，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能大学、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央气候台发布环球中期景象预报大模型“风乌”。
当时上海人工智能实验室先容称，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秒即可天生未来10天环球高精度预报结果。
在预报精度方面，比较GraphCast，“风乌”的10天预报偏差降落10.87%，而比较于传统的物理模型，其偏差降落19.4%。

钱特里说，欧洲中期景象预报中央的下一步将是建立自己的人工智能模型，并考虑将其与数值景象预报系统相结合。
“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，英国气候局宣告与英国人工智能研究中央艾伦·图灵研究所（Alan Turing Institute）互助，开拓自己用于景象预报的图神经网络，并将其整合到现有的超级打算机根本举动步伐中。
英国气候局科学主任西蒙·沃斯珀（Simon Vosper）指出，在预测时须要考虑景象变革，“如果基于人工智能的系统只接管过以往景象条件数据的‘演习’，那么质疑这些系统是否能够创造新的极度情形是合理的。
”他说。

据宣布，人工智能在预测墨西哥太平洋沿岸飓风奥蒂斯（Otis）的溘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日在险些没有预警的情形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景象之前，还存在其他寻衅。
例如，由于演习数据和工程限定，环球人工智能模型尚无法天生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征象或可在短间隔内产生巨大降水量差异的较大景象系统方面不太有用。

《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，人工智能模型仍旧依赖于旧模型来供应演习数据并天生当前条件，作为预测的出发点。

参考论文：https://www.science.org/doi/10.1126/science.adi2336