全球中期天气预报对社会和经济决策至关重要。传统的数值天气预报（NWP）依赖于复杂计算，但并未充分利用历史数据来改进模型。Deepmind提出了一种新方法“GraphCast”，它是基于机器学习的天气预报（MLWP）技术，直接从历史数据中学习，能在全球 0.25° 的分辨率下，可以在一分钟内预测未来 10 天的数百个天气变量。GraphCast在多数测试目标上优于现有最准确的操作确定性系统，并能更好地预测重大天气事件，如热带气旋、大气河流和极端温度。这一突破对天气预报领域是一个重大进步，展现了机器学习在复杂动力系统建模方面的潜力。并且模型权重是开源的。

论文：https://www.science.org/doi/10.1126/science.adi2336#sec-5

Readpaper：https://readpaper.com/paper/4705295064901894145

Github：https://github.com/google-deepmind/graphcast

开源权重：https://console.cloud.google.com/storage/browser/dm_graphcast;tab=objects?pli=1&prefix=&forceOnObjectsSortingFiltering=false

包括 ECMWF 在内的气象机构已经开始使用 GraphCast，ECMWF 正在其网站上进行实时运算：https://charts.ecmwf.int/products/graphcast_medium-mslp-wind850?base_time=202311151200&projection=opencharts_europe&valid_time=202311151800

技术核心：GraphCast是基于深度学习的新型天气预报方法，它使用图神经网络（GNN，具体来说是encode-process-decode）来分析和预测天气数据。

快速高效：能在极短时间内（一分钟内）预测全球范围内接下来10天的天气，显示出了卓越的处理速度和效率。

高精度预测：在对比测试中，GraphCast在90%以上的目标预测中优于当前最先进的天气预报系统，尤其在预测热带气旋、大气河流和极端温度等重要天气事件方面表现突出。

传统NWP限制：传统的数值天气预报依赖于复杂的物理模型和大量计算资源，但不足以有效利用历史天气数据。

GraphCast的优化：GraphCast通过直接从历史数据学习，不仅提升了预报的精度，还显著降低了对大规模计算资源的依赖。

数据驱动的优势：GraphCast突破了传统方法的局限，展示了机器学习在提炼和应用大量历史数据方面的潜能。

比较：他们将 GraphCast 与现在最准确的中程天气预测模型 HRES 进行比较，发现在90%以上的项目中，都具有显著优势。

严重天气事件预测：GraphCast对于预测热带气旋、大气河流、极端温度等严重天气事件具有重要价值，这些预测对于防灾减灾、应急响应等领域至关重要。

跨领域应用：它的应用不限于天气预报本身，还可能扩展到农业规划、交通管理、能源分配等多个领域，提供更准确的数据支持和决策辅助。

持续进化的潜力：由于GraphCast基于机器学习，它能够持续从新数据中学习和适应，反映出天气模式的变化，尤其在考虑到气候变化的长期趋势下，这一点尤为重要。

观点

天气对地球上所有生物都具有深刻的影响。对于我们来说，更是会直接影响我们的衣食住行等多个方面。而且，天气预测一直以来都是一个巨大的难题。这个模型无疑是人类科学的一大飞跃，而且，开源的精神也是十分可贵。

在学术上，研究者可以多思考深度学习/机器学习如何引入到传统学科或者是复杂系统中。并且，我们需要回归到数据驱动，而不是手工特征。

在商业上，对于依赖天气预报的行业（如航空、农业、保险等），GraphCast能提供更快速、更准确的数据支持，增强决策效率。而且，GraphCast技术的应用或许催生新的服务和产品，如定制化天气预报服务，为不同行业提供更具针对性的解决方案。

特邀作者：日本早稻田大学计算机系博士生  王军杰