GraphCast：用于天气预报的 AI 模型

组织背景与相关模型

• GraphCast 来自 Google DeepMind，后者最近与 Google 的 Brain 团队合并以专注于 AI；Google Research 仍在开展更广泛的工作。
• GraphCast 是一个 10 天的 全球 模型；MetNet‑3 是一个 24 小时的 区域 高分辨率模型，已经用于 Google 的面向消费者的天气产品中。
• 有些人预计在搜索天气或使用 Android/Google 应用时，未来会出现一个“统一的”或至少对用户可见的叙事。

GraphCast 的工作方式与输入

• 该模型使用两个 3D 大气“状态”（T–6h 和 T）来预测 T+6h，并且可以滚动运行到 10 天。
• 几位评论者强调，“天气状态”并不简单：需要完整的 3D、经过数据同化的分析场，而不是原始的站点/卫星数据。
• 有人指出，该系统目前还不能直接摄入杂乱的实时观测数据。

数值模型与再分析的作用

• 讨论强调，GraphCast 是在 ERA5 再分析数据上训练的，而 ERA5 本身是由传统的、基于物理的数值天气预报（NWP）在超级计算机上生成的。
• 争论点在于：由于观测系统存在空缺且不断变化，你“不能只用原始历史数据来训练”；再分析提供了一致的网格化记录。
• 共识是：GraphCast 不能取代 NWP；它在训练和当前初始条件方面都依赖 NWP。

速度、性能与集合预报

• 最大的兴奋点在于速度：在单个 TPU 节点上只需几秒到几分钟，而不是在大型超级计算机上花费数小时。
• 这为超大规模集合预报以及快速重跑以进行不确定性估计和定向观测研究打开了大门。
• 有些人把它类比为替代模型，或者类比图形领域中的 DLSS：学习对昂贵模拟的快速近似。

分辨率、范围与局限

• 分辨率约为 0.25°（约 28 公里），比公里级或亚公里级模型粗得多；由地形驱动的局地效应和微尺度现象（例如微下击暴流）仍不在其覆盖范围内。
• 局地特性和小气候仍然需要人工预报员和/或局地降尺度模型。
• 讨论还提出了对 6 小时步长滚动时误差累积的疑问，以及对极端事件和降雨处理效果的疑问；链接材料暗示极端事件和降雨有所改进，但细节仍被认为不完整。

混沌、可预测性与理论 vs ML

• 许多人讨论混沌：微小的初始误差会增长，将确定性预报限制在约 10–14 天。
• 有些人希望 ML 能推动有效预报时限更远，或以不同方式平滑混沌；另一些人则认为混沌是根本性的，只有不确定性量化才能改进。
• 几位评论者认为 GraphCast 学到的是大气的、数据驱动的“有效理论”，其训练基于真实历史与模型同化历史。

实际访问与部署

• GraphCast 的代码和权重是开源的；也有示例笔记本。
• 运营性使用仍然需要获得许可且及时的分析数据（例如 ECMWF HRES/ERA5），而这些数据在实时场景中可能速度慢、受限或成本高。
• 用户询问是否可以在本地运行它（所需 GPU/TPU 规模在讨论中并不明确），以及如何将其集成到 API 和消费者应用中。

怀疑、比较与更广泛影响

• 一些人对炒作持谨慎态度，并指出 Google 过去也有过夸大承诺的项目（例如流感趋势）。
• 专家提醒，不要假设它会立即取代 ECMWF HRES 这类受信任的模型，尤其是在生产环境的能源和电力预测场景中。
• 也有人强调其在能源、农业、交通和气候应用方面的长期潜力，并认为这是一场更广泛的、向 AI 加速物理建模转变的一部分。