人工智能（AI）公司Google DeepMind开发的机器学习模型GraphCast，在“3至10天的中期气象预测领域”展现了超越传统模型和其他AI方法的准确率和效率。相关研究11月14日发表于《科学》。预测天气是一项复杂且耗费大量能源的任务。全球气象机构使用的标准方法被称为数值天气预报（NWP），是一种基于物理原理的数学模型。它利用超级计算机处理来自全球的浮标、卫星和气象站天气数据。
这些计算能准确描绘出热量、空气和水蒸气如何在大气中移动，但其运行是昂贵且能源密集型的。为降低天气预测的资金和能源成本，几家科技公司开发了机器学习模型，可以根据过去和当前的天气数据快速预测未来的全球天气状况。其中包括DeepMind、英伟达（Nvidia）和华为，以及一系列初创企业。欧洲中期天气预报中心（ECMWF）的Matthew Chantry表示，机器学习正在推动天气预报领域的一场革命。
美国科罗拉多州大气合作研究所数据可视化研究员Jacob Radford说，AI模型的运行速度比传统的NWP模型快1000到10000倍，这能为解释和传播预测结果留出更多时间。研究人员首先利用物理模型对1979年至2017年的全球天气预测来训练GraphCast，这使得后者能够了解诸如气压、风、温度和湿度等天气变量之间的联系。
经过训练的模型根据全球天气的“当前”状态和6小时前的天气预报来预测未来6小时的天气。早期的预测被反馈到模型中，使其能够对未来天气作出进一步的估计。DeepMind的研究人员发现，GraphCast可以根据2018年的全球天气预测，在不到1分钟的时间预测未来10天的天气，而且比ECMWF的高分辨率预报系统（HRES）更准确，后者是NWP的一个版本，需要数小时才能得出结果。
DeepMind计算机科学家Remi Lam表示，在完成的1200次预测中，GraphCast在99%以上的预测中都优于HRES；而在大气所有层面，该模型90%的天气预报都优于HRES。GraphCast预测了靠近地球表面的5个天气变量如离地面2米的气温，以及离地面更远的6个大气变量如风速。
Chantry指出，GraphCast在预测恶劣天气事件方面也被证明是有用的，如热带气旋的路径，以及极端高温和低温事件。Chantry指出，虽然基于某些指标的评估，GraphCast的性能优于研究中的其他模型，但未来使用其他指标对其性能进行评估可能会导致不同的结果。“机器学习模型仍处于实验阶段，它不会完全取代传统方法，而是可以提高标准方法不擅长的特定类型的天气预测质量，比如预测几小时内的降雨量。
”Chantry说，“我预计，人们还需要2年到5年的时间，才能利用机器学习方法进行预测，进而在现实世界中作出决策。”与此同时，机器学习方法的问题必须得到解决。Grover说，与NWP模型不同，研究人员不能完全理解像GraphCast这样的AI是如何工作的，因为决策过程发生在AI的“黑匣子”中。“这让人质疑它们的可靠性。
”同时，AI模型也有放大训练数据偏差的风险，并且需要大量的能量进行训练，尽管它们消耗的能量比NWP模型要少。