DeepMind · 其他
DeepMind 发布 GraphCast 全球天气预报 AI 模型
DeepMind 推出 GraphCast，一个基于图神经网络的全球天气预报模型。与传统数值预报相比，GraphCast 在保持高精度的同时大幅缩短计算时间，能在数分钟内输出 10 天全球气象预测。该模型已在多个极端天气事件中展现出优于 ECMWF 高分辨率预报的表现，为气象学与 AI 交叉领域提供了新的技术路径。
- 域名
deepmind.google- 评分
- 5 · 重大发布
- 发布
- 2026-03-03
导读
DeepMind 在 2023 年 11 月 14 日发布这篇博客，配套一篇登在 Science 的论文，正式介绍 GraphCast。文章的核心信息相当直接：一台单机的 Google TPU v4 在不到一分钟内可以跑出未来 10 天的全球中期天气预报，并在 ECMWF 高分辨率确定性系统 HRES 的全部 1380 项测试变量与不同预报时长的对照中，于超过 90% 的项目上更准；如果只看离地面最近、6–20 公里高度的对流层，这一比例进一步上升到 99.7%。第一作者 Remi Lam 代表 GraphCast 团队署名，相关代码已在 google-deepmind/graphcast 仓库开源，ECMWF 也在自家网站上挂出了基于 GraphCast 的实时实验产品。
方法层面，GraphCast 是一套基于图神经网络的机器学习预报系统，预测分辨率为 0.25 度经纬度，相当于赤道附近约 28 公里方格，全球超过一百万格点。每个格点输出五个地表变量加 37 个高度层、六个大气变量，涵盖温度、风速风向、海平面气压、比湿等。模型只需要"6 小时前的天气状态"与"当前状态"两份输入，向前预测 6 小时后的状态，再以 6 小时为步长滚动到 10 天。训练数据来自 ECMWF 的 ERA5 再分析数据集，覆盖近 40 年的全球历史天气，模型从中学习大气演化的因果与共变规律，物理方程则退到背景层。
对气象研究者与下游使用者而言，这项工作改变最显著的一面落在计算成本与时效上，并未参与预报范式之争。HRES 一次 10 天预报往往需要数百台机器的超算跑数小时，GraphCast 在单 TPU 上一分钟即可完成，且在飓风路径、大气河、极端高温等多类灾害事件上提早给出可用预警。文章举例提到 2023 年 9 月飓风 Lee 登陆新斯科舍的预测，GraphCast 在约 9 天前就锁定地点，而传统模型在大约 6 天前才稳定收敛。代码开源与 ECMWF 的并行验证，是 GraphCast 团队为后续社区改进留出的接口。