人工智能如何改變天氣預報：GraphCast、AIFS 和加拿大的 GEML

歐洲和北美的天氣機構已開始使用人工智能模型與有數十年歷史的物理基礎預報系統並行運行，在某些情況下將兩者結合。根據 Google DeepMind 和歐洲中期天氣預報中心 (ECMWF) 的說法，這一轉變是由人工智能能夠在單個處理器上在一分鐘內生成全球 10 天預報的能力驅動的，而傳統數值天氣預測需要超級計算機運行數小時。

GraphCast 和 AIFS 實際上做什麼

GraphCast 由 Google DeepMind 構建，是一個機器學習模型，使用圖神經網絡在覆蓋地球表面超過一百萬個網格點的數據上進行處理，分辨率為 28 x 28 公里。它採用來自六小時前的大氣狀態和當前狀態，然後預測接下來的六小時；重複運行該步驟會產生 10 天預報。該模型及其結果於 2023 年 11 月 14 日發表在《科學》期刊上，其代碼根據 Google DeepMind 自己的公告作為開源發布。

ECMWF 構建了自己的系統，即人工智能預報系統 (AIFS)，於 2025 年 2 月 25 日開始運行，與該中心的傳統物理基礎綜合預報系統 (IFS) 並行運行。AIFS 使用與 IFS 相同的起始數據——每六小時從衛星、飛機、浮標和地面站收集約 6000 萬個質量控制觀測數據——但應用經過歷史天氣模式訓練的機器學習模型，而不是直接求解物理方程，根據 ECMWF。

根據構建這些人工智能模型的機構，它們的準確性如何

Google DeepMind 報告稱 GraphCast 比 ECMWF 的高分辨率預報 (HRES)（該公司稱其為行業基準）產生了更準確的預測，在超過 90% 的 1,380 個測試變量和預報時間上表現更好，並在 99.7% 特定於對流層（大多數天氣發生的大氣層）的變量上表現更好。DeepMind 還表示 GraphCast 提前 9 天預測了颶風李在新斯科舍的登陸。

ECMWF 報告稱 AIFS「在許多方面優於最先進的物理基礎模型，包括熱帶氣旋路徑，增益達到 20%」，同時使用的能源比傳統方法少大約 1000 倍每次預報。

加拿大的混合方法：人工智能引導物理模型

加拿大環境與氣候變化部採取了不同的路線，基於 DeepMind 的開源 GraphCast 代碼構建了加拿大人工智能模型，稱為全球環境模擬器 (GEML)，並在加拿大歷史天氣數據上進行了訓練。該機構通過一種稱為「譜推送」的技術將這兩個模型結合起來，而不是替換基於物理的模型：傳統模型被輕輕地引導朝向由 GEML 生成的大氣狀態，而與嚴重天氣相關的更精細尺度細節仍然使用既定的物理方程演化，根據該機構的官方公告。混合系統於 2026 年 5 月 27 日開始運行，經過一年多的測試。

加拿大環境與氣候變化部表示，人工智能模型對大規模大氣模式的性能可能優於傳統計算機模型，這在較長預報時間最重要，但在公告中沒有發佈具體的改進數字。

人工智能仍然不足的地方

ECMWF 和加拿大環境與氣候變化部都指出了限制。ECMWF 的 AIFS 目前僅作為確定性單一預報運行；提供 50 個預報變化的集合版本，這是評估預報不確定性的標準，仍在開發中，根據 ECMWF。加拿大環境與氣候變化部表示，單獨使用，當前人工智能模型只能預報有限數量的變量，這對於操作使用來說是不夠的，並且它們以可能降低某些極端天氣類型的準確性的方式平滑出更精細的大氣細節——該機構選擇混合設計而不是純人工智能系統的原因之一。