在预测未来 10 天世界各地天气这件事情上，AI 首次以令人信服的方法超越传统天气预报，Google DeepMind 开发天气预报系统 GraphCast 最新成果，登上 Science 杂志。
在最新研究中，GraphCast 展示优于欧洲中心天气预报中心（European Centre for Medium-Range Weather Forecasts，ECMWF）的预报表现。综合评估下，GraphCast 在 1,380 项指标中九成优于 ECMWF 预报系统，包括各种大气下的温度、压力、风速、风向、湿度等。
GraphCast 利用图神经网路（Graph Neural Network，GNN）的机器学习架构，以超过 40 年的 ECMWF 天气历史数据训练模型。它能处理当下和 6 小时前全球大气状态，并在 1 分钟内以搭载 TPU v4 的云端电脑产生 10 天天气预报。
GraphCast 成果代表气象 AI 在预报速度和准确性取得显著进展，Google DeepMind 也开源此模型的代码。ECMWF 机器学习研究者 Matthew Chantry 接受《金融时报》采访承认此一快速进展，认为气象 AI 系统进比我们 2 年前预期快得多，令人印象深刻。
我们发现 GraphCast 比其他机器学习模型，包括华为云盘古气象模型和 NVIDIA FourCastNet 更加熟练，且比我们自己的天气预测系统更准确，Matthew Chantry 告诉《金融时报》。
Google 机器学习方法与传统数值天气预报（Numerical Weather Prediction，NWP）方法形成明显对比，传统方法依赖高速运算电脑执行以大气物理为基础的方程式，耗费较多时间和算力。Matthew Chantry 向《金融时报》强调 GraphCast 效率，估计其能源消耗比传统方法省下约 1,000 倍。
GraphCast 成功预测的一个案例是，它提前 9 天预测飓 Lee 将于加拿大诺瓦斯科西亚省登陆，比传统方法早了 3 天。尽管获得显著进展，GraphCast 仍有局限，它没有在所有情况下都优于传统模型。
例如 10 月 25 日飓风 Otis 突然增强，在毫无预警情况下袭击墨西哥 Acapulco 。《华盛顿邮报》报导指出，全球 AI 模型还无法像传统模型建立精细预测，GraphCast 可能相对适合研究较小规模的现象，而且它还存在透明度问题，气象学家无法查看AI 模型内部细节并清楚得知为何如此预测。
我们的方法不应该被视为传统天气预报替代品，传统天气预报方法已经开发数十年，在许多现实环境经过严格测试，并提供许多我们尚未探索的功能，Google DeepMind 研究人员强调，他们将 GraphCast 视为现今天气预报技术的辅助角色。
随着 GraphCast 发表，位于英国伯克郡 Reading 的 ECMWF 也计划开发自家AI 模型，并打算与数值天气预报系统进行整合。英国气象局 Met Office 则与图灵研究院（The Alan Turing Institute）合作，开发用于天气预报的图神经网络，以便将来纳入超级电脑基础设施中。
天气能以各种方式影响人们，比方说可以决定你一早外出装扮，为我们提供绿色能源，在最坏情况下引发可能摧毁家园的风暴。现今极端天气日益严重，快速且准确的天气预报变得相当重要，GraphCast 研究成果将能造福全人类。
