Google DeepMind 开源 GraphCast：1 分钟算完 10 天全球天气预报

GraphCast 是 Google DeepMind 开源的全球中期天气预报模型，能在单台 Google TPU v4 机器上，用不到 1 分钟算完未来 10 天的全球高分辨率天气预测。

它的论文发表在《Science》上。在全面评估中，面对气象行业的黄金标准系统——欧洲中期天气预报中心（ECMWF）的高分辨率预测系统 HRES，GraphCast 在 1380 个测试变量和提前量中，准确率超过了 90%。如果只看与地表天气最密切的对流层，也就是 6 到 20 公里高度的大气层，它的胜率达到了 99.7%。

它能做什么

GraphCast 把全球地表切分成 0.25 度的经纬度网格，赤道附近大约对应 28 公里乘 28 公里。整个地球表面被细分为超过一百万个网格点。

在每一个网格点上，它能预测地表的 5 个关键变量，包括温度、风速风向和平均海平面气压；同时还能预测垂直方向上 37 个不同高度层的大气变量，包括比湿、温度和风速风向。

除了常规的温湿度预测，它对极端天气的捕捉表现甚至超出设计预期。虽然训练时没有专门针对气旋做优化，但配合简单的气旋追踪算法，GraphCast 预测飓风路径的能力比 HRES 更准。

在 2023 年 9 月的实际测试中，ECMWF 网站上运行的 GraphCast 提前大约 9 天锁定了飓风「李」（Hurricane Lee）将在加拿大新斯科舍省登陆；而传统物理预报系统直到登陆前 6 天左右才确定具体地点。

此外，它还能识别大气河流的强度以辅助暴雨洪水预警，并在全球变暖的背景下，提前预测某地气温何时会突破历史极值。

怎么做到的与硬件规格

传统的数值天气预报（NWP）依靠极其复杂的物理流体方程，每次预报都要在包含数百台机器的超算集群上跑几个小时。物理机制清晰，但算力代价巨大。

GraphCast 换了条路子，它基于图神经网络（GNN），利用图结构来处理球面网格空间数据。它不是凭空猜天气，而是用 ECMWF 的 ERA5 再分析数据集喂出来的。

这个数据集包含了过去 40 年的卫星图像、雷达和地面气象站观测，并用传统物理系统填补了缺失数据。换句话说，GraphCast 是站在传统数值气象四十年的数据积累上，通过深度学习掌握了地球大气的因果演变规律。

它的训练过程消耗了大量算力，但训练好之后的推理极其轻量。生成一次完整的 10 天全球气象预报，只需要一台单卡 Google TPU v4，耗时不到 1 分钟。

目前 Google DeepMind 已经把模型代码开源，欧洲中期天气预报中心（ECMWF）也已经在其官网上部署了实时实验版本。

为什么重要

对于气象研究者、防灾减灾机构以及依赖气候预测的行业（比如风能和太阳能等新能源企业、大宗商品和航运物流），GraphCast 证明了纯数据驱动的 AI 能够在中期气象预测这一严肃科学领域，全面击败几十年演进的物理引擎。以往只有国家级超算中心才能跑的全球级预报，现在用几台云端 AI 加速卡就能运行。

不过需要分清的是，GraphCast 并非要彻底取代传统气象学，它的基石恰恰来自传统 NWP 整理出的 ERA5 数据。我们认为，未来最实用的落地形态大概率是混合架构：物理模型负责数据同化与边界校验，AI 负责在数秒内输出海量高精度推理。代码已经公开，对于有一定气象计算基础的团队来说，现在就可以直接下载并在开源代码的基础上微调特定区域的极端天气模型。