Science重磅：1分鐘內生成10天氣象預報，AI擊敗全球最好預報系統

在天氣預報方面，人工智能（AI）顛覆了傳統方法，有望以更快的速度和更低的成本實現更準確的預測。

Google DeepMind 推出的一款基於機器學習的天氣預測模型——GraphCast，在全球 0.25°的分辨率下，在一分鐘內預測未來 10 天的數百個天氣變量，顯著優於傳統氣象預報方法。此外，該模型在預測極端事件方面同樣表現良好。

相關研究論文以“Learning skillful medium-range global weather forecasting”爲題，已發表在權威科學期刊Science上。另外，相關開源代碼也已發佈在 Github 上。

這一研究成果表明，未來的天氣預報（如日常天氣和颶風、酷暑和嚴寒等極端事件）可能會變得更加準確。

9 月份發生在北大西洋的颶風“Lee”便是一個成功預測的例子。論文共同一作、共同通訊作者 Rémi Lam 表示，“GraphCast 能夠在颶風發生前 9 天正確預測‘Lee’將在新斯科舍省登陸，而傳統方法只能預測 6 天。這讓人們多了 3 天時間爲它的到來做好準備。”

對此，歐洲中期天氣預報中心（ECMWF）機器學習協調員 Matthew Chantry 表示，AI 系統在氣象學方面的進展“甚至比我們兩年前的預期還要快得多，也更令人印象深刻”。

“GraphCast 一直比其他機器學習模型（如英偉達的 FourCastNet）表現得更好，而且在很多方面，它比我們自己的預測系統更準確。”

1 分鐘內預測未來 10 天的天氣

天氣對人類具有廣泛而深遠的影響，涉及到生活、健康、經濟等多個方面。

天氣預報是科學領域中最古老且充滿挑戰的工作之一。中期預測在支持涉及可再生能源到活動物流等跨部門的關鍵決策方面起着至關重要的作用，然而要做到準確有效卻非常困難。

通常，天氣預測依賴於數值天氣預報（NWP），該方法從精確定義的物理方程出發，然後轉化成在超級計算機上運行的計算機算法。儘管這一傳統方法在科學和工程領域取得了成功，但設計方程和算法十分耗時，而且做出準確的預測需要深厚的專業知識和昂貴的計算資源。

據論文描述，GraphCast 是一種基於機器學習和圖神經網絡 (GNN) 的天氣預報系統，就能耗而言，它可能要比傳統方法便宜 1000 倍。

GraphCast 以 0.25 度經度/緯度（赤道處 28 公里 x 28 公里）的高分辨率進行預測，超過一百萬個網格點覆蓋了整個地球表面。在每個網格點，該模型預測 5 個地球表面變量（包括溫度、風速和風向以及平均海平面壓力）以及 37 個海拔高度的每個高度的 6 個大氣變量（包括比溼度、風速和風向以及溫度）。

雖然 GraphCast 的訓練計算量很大，但生成的預測模型非常高效。在一臺谷歌 TPU v4 機器上使用 GraphCast 進行 10 天預測只需要不到一分鐘時間。相比之下，使用傳統方法（例如 HRES）進行 10 天的預測可能需要在超級計算機中進行數小時的計算。

爲了評估 GraphCast 的預測技能，研究人員將 GraphCast 與目前最準確的中程天氣預測模型 HRES 進行比較，結果發現，在 1380 個驗證目標中，GraphCast 在 90% 的情況下明顯優於 HRES。

此外，該模型更擅長預測極端事件，如熱帶氣旋路徑、大氣河流（負責極向水汽輸送的大氣狹窄區域）和極端溫度異常。

另外，除了天氣預測，GraphCast 還可以開闢其他地理時空預測新方向，包括氣候和生態學、能源、農業、人類和生物活動，以及其他複雜的動力系統。

此前，一些研究人員對 AI 準確預報極端天氣的能力表示了擔憂，部分原因是過去可借鑑的此類事件相對較少。然而，GraphCast 在 2-4 天的準備時間內將氣旋預報軌道誤差減少了約 10-15 英里，將與大氣河流相關的水蒸氣預報提高了 10%-25%，並提前 5-10 天提供了更精確的酷熱和嚴寒預報。

“一般認爲，使用 AI 可能無法很好地預測罕見的異常情況。但它似乎在這方面做得很好，”Google DeepMind 研究總監、該研究的共同作者之一 Peter Battaglia 表示，“這也說明該模型捕捉到了天氣如何隨時間演變的更基本的東西，而不僅僅是在數據中尋找更膚淺的模式。”

但這並不意味着 AI 已經可以取代所有傳統預報方法。在將 GraphCast 等 AI 模型可靠地用於業務預報之前，還需要克服其他挑戰。

例如，該方法存在一個重要限制在於如何處理不確定性。研究的關注點主要集中在確定性預測上。GraphCast 的均方誤差（MSE）訓練目標鼓勵在存在不確定性的情況下在空間上模糊其預測，然而在某些應用中，特別是在瞭解事件尾部或聯合概率的情境下，可能並不理想。

而且，由於訓練數據和工程設計方面的限制，全球 AI 模型還不能像傳統模型那樣生成那麼多參數或那麼精細的預測。這使得 AI 模型在預測雷暴和山洪暴發等較小範圍的現象，或在預測可能在小範圍內產生巨大降水量差異的較大天氣系統時，作用不大。

此外，氣象學家也還不是特別信任 AI 模型，因爲這些模型的內部運作不如傳統模型透明。科羅拉多州立大學大氣研究合作研究所數據可視化研究員 Jacob Radford 在一封電子郵件中說：“預報員的一個關鍵角色是向合作伙伴解釋和傳達信息，由於缺乏工具來確定 AI 模型爲什麼會做出這樣的預測，這項任務變得更具挑戰性。這些模型仍處於起步階段，在考慮投入使用之前，仍需要在研究和預報員羣體中建立信任。”

儘管該研究存在很多侷限性，但研究人員深信，這標誌着天氣預測迎來了一個重要的轉折點，爲人類開闢了一條全新的道路。

而且，他們表示，這一方法也不應該被視爲傳統天氣預報方法的替代品，傳統天氣預報方法已經發展了幾十年，在許多現實環境中經過了嚴格的測試，並提供了許多人類尚未探索的功能。

“相反，我們的工作應該被解釋爲 AI 天氣預報能夠應對現實世界預報問題挑戰的證據，並且有潛力補充和改進當前的最佳方法。”

AI 氣象預報的一些進展

在過去兩年中，包括谷歌、微軟和英偉達在內的大型科技公司在 AI 天氣建模方面取得了諸多進展，這些公司都發表了學術論文，稱其 AI 模型的性能至少與歐洲模型相當。這些說法得到了 ECMWF 科學家的證實。

今年 7 月，同時刊登在 Nature 上的兩篇關於“AI 氣象預報”的研究論文，也提到了兩種基於 AI 的氣象預報方法。

由華爲雲開發的盤古氣象（Pangu-Weather）模型使用 39 年的全球再分析天氣數據作爲訓練數據，其預測準確率與全球最好的數值天氣預報系統 IFS 相當，在相同的空間分辨率下比 IFS 系統快 10000 倍以上。

此外，由機器學習領域泰斗、加州大學伯克利分校教授 Michael Jordan 和清華大學教授王建民領導的聯合研究團隊提出的模型 NowcastNet，可以結合物理規律和深度學習，進行實時預報降水。

上個月，英國氣象局（Met Office）宣佈與人工智能研究中心艾倫·圖靈研究所（Alan Turing Institute）合作，開發自己的天氣預報圖神經網絡，並將其納入現有的超級計算機基礎設施。

英國氣象局科學主任 Simon Vosper 談道，需要在預報中考慮氣候變化因素。“如果基於 AI 的系統只是在以前的天氣條件下接受‘訓練’，那麼質疑這些系統是否能夠捕捉到新的極端天氣是很有說服力的。”

Vosper 還表示：“我們的目標是，在利用基於大氣物理學的傳統計算機模型的同時，充分利用 AI 所能提供的最佳功能。我們相信，這種技術融合將在這個鉅變的時代提供最強大、最詳細的天氣預報。”

可以預見的是，在天氣預報中使用 AI 將使人們的日常生活受益，但 AI 也絕不會止步於此。

正如 Google DeepMind 在博客中提到的：“我們的研究不僅僅是預測天氣，而是瞭解更廣泛的氣候模式。通過開發新工具和加速研究，我們希望 AI 能夠幫助國際社會應對我們面臨的最大環境挑戰。”