GraphCast

是什么

GraphCast 是 Google DeepMind 开发的全球天气预报机器学习模型，相关论文发表在 Science 上，公司于 2023 年 11 月 14 日对外公布^[1]。它能在 0.25 度的经纬度分辨率上给出最长 10 天的预报^[1]。这个分辨率意味着模型覆盖的是整颗行星的规则网格，而不是某个局部区域，这与各国气象机构运行全球预报系统的场景是一致的。

怎么工作

GraphCast 基于图神经网络（graph neural network）^[1]。它不靠数值求解大气物理方程来推演天气，而是从历史天气中学习大气状态通常如何演变。训练数据是 ECMWF（欧洲中期天气预报中心）ERA5 再分析资料中四十年的天气记录，也就是对过去大气状况的重建数据^[1]。

模型是分步推进的：先预报 6 小时后的天气，再把结果送回模型，以 6 小时为一步不断滚动，最终生成最长 10 天的预报^[1]。每一步的输出包括 5 个地球表面变量和 6 个大气变量，大气变量分布在 37 个高度层上^[1]。

结果

与常规预报最直观的差别在速度：一次 10 天预报在单台 Google TPU v4 机器上耗时不到一分钟^[1]。

准确性则以 ECMWF 的高分辨率预报 HRES 为对照。在 1380 个测试变量与预报时效的组合中，GraphCast 有超过 90% 比 HRES 更准^[1]。优势最明显的是对流层，也就是大约 6 公里到 20 公里高、大多数天气现象发生的这一层：对未来天气的测试变量中，它有 99.7% 优于 HRES^[1]。Google DeepMind 称，GraphCast 是当时世界上最准确的 10 天全球天气预报系统^[1]。

公司还举了一个具体例子：据其说法，模型提前约九天预报出了飓风 Lee 在加拿大新斯科舍省的登陆^[1]。

为什么重要

长期以来，天气预报依赖在超级计算机上运行的大规模物理模拟。一个学习型模型如果在精度上相当或更好，又能在一台加速器上不到一分钟跑完，就改变了一次预报的成本和产出速度，也让批量跑多次预报、快速迭代变得可行。

Google DeepMind 将模型代码开源，放在 GitHub 的 google-deepmind/graphcast 仓库中^[1]。公开代码让研究者和气象机构能够检查、复现并在此基础上继续开发，而不必把它当成一个封闭的产品。

在发展中位置

GraphCast 属于一批用机器学习做中期天气预报的尝试：用再分析资料训练模型，让它去模拟物理模型直接计算出来的结果。它给出的与 HRES 这一常用业务化高分辨率预报的对比结果，为这类方法提供了一个清晰的基准；而开源发布则使它成为后续工作常见的起点。