DeepMind 称：自研的Ai系统，将是有史以来更准确的天气预报系统！

据伦敦实验室称，谷歌 DeepMind 的新人工智能模型是世界上最准确的 10 天全球天气预报系统。

该模型名为 GraphCast，承诺提供“前所未有的准确度”的中期天气预报。今天发布的一项研究表明，GraphCast 比天气模拟的行业黄金标准高分辨率预报 (HRES) 更精确、更快速。

该系统还预测了比以前更远的未来极端天气。

这些见解由欧洲中期天气预报中心 (ECMWF) 进行了分析，该中心是一个制作 HRES 的政府间组织。

ECMWF 网站上部署了 GraphCast 的实时版本。9月，该系统提前约9天准确预测飓风李将在新斯科舍省登陆。

相比之下，传统的预测方法只能在大约六天前关注新斯科舍省。他们还对登陆时间和地点提供了不太一致的预测。

有趣的是，GraphCast 无需经过训练就能识别危险的天气事件。集成简单的气旋跟踪器后，该模型比 HRES 方法更准确地预测气旋运动。

此类数据可以拯救生命和生计。随着气候变得更加极端和不可预测，快速而准确的预测将为灾难规划提供越来越重要的见解。

ECMWF 的机器学习协调员Matthew Chantry认为他的行业已经达到了拐点。

钱特里在新闻发布会上表示：“要创造可靠的运营产品，可能还有更多工作要做，但这很可能是一场革命的开始。”

他补充说，气象组织此前曾预计人工智能与物理学相结合时会最有用。但最近的突破表明机器学习也可以直接预测天气。

GraphCast 的工作原理

传统的天气预报基于复杂的物理方程。然后将它们改编成在超级计算机上运行的算法。

这个过程可能会很艰难。它还需要专业知识和大量的计算资源。

GraphCast 利用了一种不同的技术。该模型将机器学习与图神经网络 (GNN) 相结合，图神经网络是一种擅长处理空间结构化数据的架构。

为了了解决定天气变化的原因和影响，该系统接受了数十年天气信息的训练。

传统方法也被纳入其中。ECMWF 向 GraphCast 提供了大约 40 年天气再分析的训练数据，其中包括卫星、雷达和气象站的监测。

当观测中存在空白时，基于物理的预测方法会填补它们。结果是全球天气的详细历史。GraphCast 利用过去的这些教训来预测未来。

GraphCast以 0.25 度纬度/经度的空间分辨率进行预测。

为了更直观地理解这一点，想象一下地球被划分为一百万个网格点。在每个点，模型预测五个地球表面变量和六个大气变量。它们一起以 3D 方式覆盖了地球的整个大气层，覆盖了 37 个层次。

这些变量包括温度、风、湿度、降水和海平面压力。它们还包含了位势——特定位置上单位质量相对于平均海平面的重力势能。

在测试中，结果令人印象深刻。GraphCast 在 1,380 个测试目标中的 90% 上显着优于最准确的操作确定性系统。

这种差异在对流层中更为明显——对流层是地球大气层的最低层，也是大多数天气现象发生的地方。在该地区，GraphCast 在 99.7% 的未来天气测试变量上优于 HRES。

GraphCast 也非常高效。在一台 Google TPU v4 机器上，10 天的预测只需不到一分钟即可完成。

相比之下，传统方法在拥有数百台机器的超级计算机中可能需要花费数小时的计算时间。

人工智能在天气预报中的未来

尽管早期结果很有希望，但 GraphCast 仍可以从进一步的改进中受益。例如，在气旋预测中，该模型在跟踪运动方面被证明是准确的，但在测量强度方面效果较差。

金特里很想看看这能有多大改善。

“目前，GraphCast 和机器学习模型在这个领域仍然落后于物理模型......我希望这可以成为进一步改进的领域，但这表明它仍然是一项新兴技术，”他说。

这些改进现在可以来自任何地方，因为 DeepMind 已经开源了模型代码。全球组织和个人现在都可以尝试 GraphCast 并添加自己的改进。

讽刺的是，潜在的应用是不可预测的。例如，这些预测可以为可再生能源生产和空中交通路线提供信息。但它们也可以应用于甚至无法想象的任务。

“天气预报有很多下游用例，”Google DeepMind 研究总监 Peter Battaglia 说。“而我们并不知道所有这些。”