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（如⽇常天⽓和飓⻛、酷暑和严寒等极端事件）可能会变得更加准确。9 ⽉份发⽣在北⼤⻄洋的飓⻛“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 能够在飓⻛发⽣前 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⻔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、⻛速和⻛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、⻛速和⻛向以及温度）。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，该模型更擅⻓预测极端事件，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⻅的异常情况。
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⻄，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：“预报员的⼀个关键⻆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⺠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。”
可以预⻅的是，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。”