标题：Nature重磅：8分钟预测15天全球天气，DeepMind AI超越顶尖天气预报系统

世界气象组织数据显示，过去50年，每天因天气、气候或水患造成的灾害导致115人死亡及2.02亿美元损失。因此，更准确的天气预报系统意义重大。

传统天气预报依赖数值天气预报算法（NWP），计算复杂、耗时长。基于机器学习的天气预报（MLWP）虽在效率和单次预报准确性上有所突破，但在处理复杂时空相关性和预报不确定性方面仍显不足。

现在，Google DeepMind研究团队开发的AI模型GenCast，将天气预报的精度与效率推向新高度。GenCast能在8分钟内生成一组随机的15天全球预报，时间步长为12小时，分辨率为0.25°，覆盖超过80种地表和大气变量。在1320个评估指标中，GenCast有97.2%优于欧洲中期天气预报中心（ECMWF）的集合预报系统（ENS），且在预报极端天气（如高温、强风）、热带气旋路径和风能产量方面表现更佳。

GenCast是一个概率天气预报模型，通过条件扩散模型生成可能的天气场景，基于当前和之前的天气状态生成未来预报。其架构包括编码器、处理器和解码器三大模块。编码器将初始天气状态映射到球形网格，处理器通过图Transformer捕捉时空相关性，解码器生成最终预报。

研究团队利用ERA5再分析数据训练GenCast，确保模型的泛化能力和对历史天气模式的理解。在与ECMWF的对比中，GenCast生成的天气样本更接近实际观测值，预报分布覆盖多种情景，为用户提供全面风险理解。GenCast在多个气象变量的边际分布预报中表现优于ENS，特别是在预报高温和极端低温时。

此外，GenCast在预报热带气旋轨迹和区域风能产量方面也表现优异。例如，在台风“海贝思”的预报中，GenCast的轨迹预报误差显著低于ECMWF，预报精度提高了20%。

尽管GenCast在精度与效率上实现突破，但仍需进一步优化。例如，提高分辨率或通过蒸馏技术降低成本。结合操作性数据进行微调或融入传统NWP的初始条件处理方法，也可提升其实用性。

AI作为“改善极端天气预报的更快、更便宜的替代方案”，已被寄予厚望。华为、清华大学等机构也在这一领域取得进展，如华为的盘古气象模型和清华大学的NowcastNet。未来，AI驱动的天气预报将在灾害预警、能源规划和气候适应等方面发挥更大作用。