Google DeepMind 開源 GraphCast：1 分鐘算完 10 天全球天氣預報

GraphCast 是 Google DeepMind 開源的全球中期天氣預報模型，能在單臺 Google TPU v4 機器上，用不到 1 分鐘算完未來 10 天的全球高解析度天氣預測。

它的論文發表在《Science》上。在全面評估中，面對氣象行業的黃金標準系統——歐洲中期天氣預報中心（ECMWF）的高解析度預測系統 HRES，GraphCast 在 1380 個測試變數和提前量中，準確率超過了 90%。如果只看與地表天氣最密切的對流層，也就是 6 到 20 公里高度的大氣層，它的勝率達到了 99.7%。

它能做什麼

GraphCast 把全球地表切分成 0.25 度的經緯度網格，赤道附近大約對應 28 公里乘 28 公里。整個地球表面被細分為超過一百萬個網格點。

在每一個網格點上，它能預測地表的 5 個關鍵變數，包括溫度、風速風向和平均海平面氣壓；同時還能預測垂直方向上 37 個不同高度層的大氣變數，包括比溼、溫度和風速風向。

除了常規的溫溼度預測，它對極端天氣的捕捉表現甚至超出設計預期。雖然訓練時沒有專門針對氣旋做最佳化，但配合簡單的氣旋追蹤演算法，GraphCast 預測颶風路徑的能力比 HRES 更準。

在 2023 年 9 月的實際測試中，ECMWF 網站上執行的 GraphCast 提前大約 9 天鎖定了颶風「李」（Hurricane Lee）將在加拿大新斯科舍省登陸；而傳統物理預報系統直到登陸前 6 天左右才確定具體地點。

此外，它還能識別大氣河流的強度以輔助暴雨洪水預警，並在全球變暖的背景下，提前預測某地氣溫何時會突破歷史極值。

怎麼做到的與硬體規格

傳統的數值天氣預報（NWP）依靠極其複雜的物理流體方程，每次預報都要在包含數百臺機器的超算叢集上跑幾個小時。物理機制清晰，但算力代價巨大。

GraphCast 換了條路子，它基於圖神經網路（GNN），利用圖結構來處理球面網格空間資料。它不是憑空猜天氣，而是用 ECMWF 的 ERA5 再分析資料集喂出來的。

這個資料集包含了過去 40 年的衛星影像、雷達和地面氣象站觀測，並用傳統物理系統填補了缺失資料。換句話說，GraphCast 是站在傳統數值氣象四十年的資料積累上，通過深度學習掌握了地球大氣的因果演變規律。

它的訓練過程消耗了大量算力，但訓練好之後的推理極其輕量。生成一次完整的 10 天全球氣象預報，只需要一臺單卡 Google TPU v4，耗時不到 1 分鐘。

目前 Google DeepMind 已經把模型程式碼開源，歐洲中期天氣預報中心（ECMWF）也已經在其官網上部署了即時實驗版本。

為什麼重要

對於氣象研究者、防災減災機構以及依賴氣候預測的行業（比如風能和太陽能等新能源企業、大宗商品和航運物流），GraphCast 證明了純資料驅動的 AI 能夠在中期氣象預測這一嚴肅科學領域，全面擊敗幾十年演進的物理引擎。以往只有國家級超算中心才能跑的全球級預報，現在用幾臺雲端 AI 加速卡就能執行。

不過需要分清的是，GraphCast 並非要徹底取代傳統氣象學，它的基石恰恰來自傳統 NWP 整理出的 ERA5 資料。我們認為，未來最實用的落地形態大機率是混合架構：物理模型負責資料同化與邊界校驗，AI 負責在數秒內輸出海量高精度推理。程式碼已經公開，對於有一定氣象計算基礎的團隊來說，現在就可以直接下載並在開原始碼的基礎上微調特定區域的極端天氣模型。