DeepMind · 大模型
DeepMind 发布 Gencast 天气预报模型
DeepMind 发布 Gencast，一款基于生成式方法的天气预报模型，在极端天气风险评估上达到领先准确率。该模型通过学习历史气象数据，能够输出高分辨率概率预报，显著优于传统数值模式，为防灾减灾提供更可靠的决策依据。
- 域名
deepmind.google- 评分
- 5 · 重大发布
- 发布
- 2026-03-03
导读
GenCast 是 DeepMind 在 2024 年 12 月 Nature 论文中发布的高分辨率 AI 集合天气预报模型，覆盖 0.25° 全球网格，预报窗口最长 15 天，且在多数指标上超越欧洲中期天气预报中心 ECMWF 的旗舰系统 ENS。GenCast 不出一个最优预报，而是吐出 50 条或更多可能的天气轨迹，构成概率集合，让决策者看到完整的不确定性分布。
模型架构是扩散模型，但适配到地球的球面几何，输入当前天气状态后学习未来天气场景的概率分布。训练语料来自 ECMWF 的 ERA5 再分析数据集，跨度四十年，2018 年前的数据用于训练，2019 年留作测试。评估覆盖 1320 种变量与预报时长组合，GenCast 在 97.2% 的目标上优于 ENS，在超过 36 小时的预报上这一比例升到 99.8%。生成成本同样具备优势：单块 Google Cloud TPU v5 用 8 分钟即可产出一条 15 天预报，整组 ensemble 可并行；ENS 在 0.2° 或 0.1° 分辨率下需要数万核的超算跑数小时。对台风 Hagibis 的实测显示，GenCast 七天前给出的路径簇较为发散，逐步收敛到准确登陆位置，反映其概率刻度的合理性。
对气象学界与下游用户而言，GenCast 已开源代码与权重，发布在与 GraphCast 共用的 GitHub 仓库与 Google Cloud Storage 上，并承诺陆续放出实时与历史预报。极端高温、强风、热带气旋的提前预警价值，加上风电场总功率预报上对 ENS 的稳定优势，让 AI 天气模型从论文成果转向气象局与新能源调度可直接接入的基础设施。DeepMind 同时强调，传统物理模型仍是 GenCast 的训练数据与初始场来源，两套范式将长期协作而非互相替代。