人工智能（AI）公司Google DeepMind開發的機器學習模型GraphCast，在“3至10天的中期氣象預測領域”展現了超越傳統模型和其他AI方法的準確率和效率。相關研究11月14日發表于《科學》。

“GraphCast目前在AI模型的競賽中處于領先地位。”美國加州大學洛杉磯分校計算機科學家Aditya Grover說。

預測天氣是一項復雜且耗費大量能源的任務。全球氣象機構使用的標準方法被稱為數值天氣預報（NWP），是一種基于物理原理的數學模型。它利用超級計算機處理來自全球的浮標、衛星和氣象站天氣數據。這些計算能準確描繪出熱量、空氣和水蒸氣如何在大氣中移動，但其運行是昂貴且能源密集型的。

為降低天氣預測的資金和能源成本，幾家科技公司開發了機器學習模型，可以根據過去和當前的天氣數據快速預測未來的全球天氣狀況。其中包括DeepMind、英偉達（Nvidia）和華為，以及一系列初創企業。

歐洲中期天氣預報中心（ECMWF）的Matthew Chantry表示，機器學習正在推動天氣預報領域的一場革命。美國科羅拉多州大氣合作研究所數據可視化研究員Jacob Radford說，AI模型的運行速度比傳統的NWP模型快1000到10000倍，這能為解釋和傳播預測結果留出更多時間。

研究人員首先利用物理模型對1979年至2017年的全球天氣預測來訓練GraphCast，這使得后者能夠了解諸如氣壓、風、溫度和濕度等天氣變量之間的聯系。

經過訓練的模型根據全球天氣的“當前”狀態和6小時前的天氣預報來預測未來6小時的天氣。早期的預測被反饋到模型中，使其能夠對未來天氣作出進一步的估計。DeepMind的研究人員發現，GraphCast可以根據2018年的全球天氣預測，在不到1分鐘的時間預測未來10天的天氣，而且比ECMWF的高分辨率預報系統（HRES）更準確，后者是NWP的一個版本，需要數小時才能得出結果。

DeepMind計算機科學家Remi Lam表示，在完成的1200次預測中，GraphCast在99%以上的預測中都優于HRES；而在大氣的所有層面，該模型90%的天氣預報都優于HRES。

GraphCast預測了靠近地球表面的5個天氣變量如離地面2米的氣溫，以及離地面更遠的6個大氣變量如風速。Chantry指出，GraphCast在預測惡劣天氣事件方面也被證明是有用的，如熱帶氣旋的路徑，以及極端高溫和低溫事件。

Chantry指出，雖然基于某些指標的評估，GraphCast的性能優于研究中的其他模型，但未來使用其他指標對其性能進行評估可能會導致不同的結果。

“機器學習模型仍處于實驗階段，它不會完全取代傳統方法，而是可以提高標準方法不擅長的特定類型的天氣預測質量，比如預測幾小時內的降雨量。”Chantry說，“我預計，人們還需要2年到5年的時間，才能利用機器學習方法進行預測，進而在現實世界中作出決策。”

與此同時，機器學習方法的問題必須得到解決。Grover說，與NWP模型不同，研究人員不能完全理解像GraphCast這樣的AI是如何工作的，因為決策過程發生在AI的“黑匣子”中。“這讓人質疑它們的可靠性。”同時，AI模型也有放大訓練數據偏差的風險，并且需要大量的能量進行訓練，盡管它們消耗的能量比NWP模型要少。