GraphCast 天气预报模型登上《科学》

背景

天气预报是一项计算量很大的科学任务。业务预报中心把观测数据与基于物理规律的大气模式结合起来，在超级计算机上计算未来温度、风、气压、降水等状态。这种方法很有力，但每次预报都要消耗大量计算时间，结果还依赖初始观测和模式本身。因此，研究人员也在探索从历史天气数据中学习、能快速给出预报的机器学习模型。

发布与论文

2023年11月14日，Google DeepMind 发布 GraphCast，相关论文发表在《科学》（Science）上^[1]。论文的 DOI 为 10.1126/science.adi2336^[1]。发布内容把 GraphCast 介绍为一个用于全球天气预报的 AI 模型，并给出了准确率、速度和气旋追踪方面的结果^[1]。

与 ECMWF HRES 的对比

GraphCast 与 ECMWF HRES 进行了对比。它在 1,380 个测试变量和预报时效中，超过 90% 优于 HRES^[1]。这是一项覆盖面很广的测试：不仅包含多种预报变量，也包含多个预报时效，而不是只看某一个天气个例。一个模型可能在某个变量上表现很好，在另一个变量上却较弱，因此大范围比较比单点展示更有信息量。这项结果说明的是模型在一大组测试中的整体优势，而不只是某一张预报图或某一场风暴上的表现。

速度

GraphCast 做一次 10 天预报，在一台张量处理单元（TPU）v4 上耗时不到一分钟^[1]。速度之所以重要，是因为模型可以反复运行，例如比较不同假设或不同情景。它也会改变实验节奏：不到一分钟就能得到一次结果，检查和修改都比长时间的超算作业快得多。速度数字与准确率对比是两件事，但合在一起，构成了这个模型的实际吸引力。

气旋与飓风“李”

Google DeepMind 强调 GraphCast 能更好地追踪气旋^[1]。一个具体例子是飓风“李”（Hurricane Lee）。ECMWF 网站上的实时 GraphCast 模型提前约 9 天预测“李”将在新斯科舍（Nova Scotia）登陆^[1]。传统预报提前约 6 天才锁定新斯科舍^[1]。两者相差约 3 天的预报时效^[1]。更长的提前量对预警和准备有意义，但单个风暴只是案例，不足以衡量平均性能。

开源

模型代码以开放源代码形式发布^[1]。开放代码让研究人员可以检查方法、复现报告中的结果并测试修改，也让预报人员和开发者能在自己关心的个例上评估模型。这样一来，GraphCast 不只是论文中的一段描述，也成为可供共享研究的一部分。

为什么重要

这次发布的重要性在于，它把论文中的对比和接近业务预报的证据放在了一起。论文报告了 1,380 个测试变量和预报时效上的结果，其中 GraphCast 在超过 90% 的项目上优于 ECMWF HRES^[1]。论文还给出了具体的速度数字：一台 TPU v4 上，10 天预报不到一分钟^[1]。发布内容还把模型与一次实时预报联系起来：ECMWF 网站上的 GraphCast 模型对飓风“李”登陆的预测^[1]。这些细节让读者能看清模型做了什么、怎样被测试、在哪里可以获取。

在发展中的位置

GraphCast 属于把机器学习用于天气预报的一类工作。它的结果值得注意，但并不能单独决定这类模型在业务预报中应该怎样使用。一个快速的模型和一次较早的正确预报是有用信号；真正投入业务，仍需要在不同地区、不同季节和罕见事件上做验证。开源发布让其他研究者可以检查和扩展这项工作^[1]。从这个意义上说，这次发布既是一项结果，也是后续测试的起点。