想了解全球氣候變化如何影響我們的日常生活嗎？谷歌研究團(tuán)隊(duì)剛剛發(fā)布了一項(xiàng)令人矚目的研究成果，他們開發(fā)出了一個(gè)名為GraphCast的人工智能模型，能夠比傳統(tǒng)天氣預(yù)報(bào)系統(tǒng)更準(zhǔn)確地預(yù)測未來10天的全球天氣變化。這項(xiàng)研究由谷歌DeepMind的科學(xué)家團(tuán)隊(duì)完成，包括Remi Lam、Alvaro Sanchez-Gonzalez、Matthew Willson等多位研究者，于2023年11月發(fā)表在頂級科學(xué)期刊《科學(xué)》(Science)上。有興趣深入了解的讀者可以通過DOI: 10.1126/science.adi2336訪問完整論文。

這項(xiàng)研究解決了一個(gè)我們每個(gè)人都關(guān)心的問題：如何更準(zhǔn)確地預(yù)測天氣。就像你每天早上查看手機(jī)天氣應(yīng)用一樣，準(zhǔn)確的天氣預(yù)報(bào)對我們的生活至關(guān)重要。從決定是否帶傘出門，到農(nóng)民規(guī)劃播種時(shí)間，再到航空公司安排航班路線，天氣預(yù)報(bào)的準(zhǔn)確性直接影響著數(shù)十億人的日常決策。傳統(tǒng)的天氣預(yù)報(bào)系統(tǒng)就像是一個(gè)巨大的計(jì)算器，需要把地球大氣層分成數(shù)百萬個(gè)小格子，然后逐一計(jì)算每個(gè)格子里的風(fēng)速、溫度、濕度變化，這個(gè)過程不僅耗時(shí)數(shù)小時(shí)，還需要消耗大量電力。

谷歌團(tuán)隊(duì)的突破在于，他們讓人工智能學(xué)會(huì)了像一位經(jīng)驗(yàn)豐富的天氣預(yù)報(bào)員那樣工作。這個(gè)AI模型不需要一步步計(jì)算復(fù)雜的物理方程，而是通過觀察過去40年的全球天氣數(shù)據(jù)，學(xué)會(huì)了識(shí)別天氣變化的模式和規(guī)律。就好比一位老漁夫能夠通過觀察云朵形狀和風(fēng)向變化預(yù)測明天是否有暴雨，GraphCast通過分析海量歷史數(shù)據(jù)，學(xué)會(huì)了預(yù)測全球范圍內(nèi)的天氣變化趨勢。

**一、像拼圖游戲一樣理解地球大氣**

要理解GraphCast如何工作，我們可以把地球大氣想象成一個(gè)巨大的拼圖游戲。傳統(tǒng)的天氣預(yù)報(bào)系統(tǒng)需要把這個(gè)拼圖分成2800萬個(gè)小塊，每個(gè)小塊代表大約25公里×25公里的區(qū)域，然后計(jì)算每個(gè)小塊的天氣變化。這就像是要同時(shí)解決2800萬個(gè)數(shù)學(xué)題，每道題都涉及復(fù)雜的物理定律，包括空氣如何流動(dòng)、水蒸氣如何凝結(jié)、太陽輻射如何影響溫度等等。

GraphCast采用了一種完全不同的方法，它把地球表面和大氣層想象成一個(gè)立體網(wǎng)絡(luò)結(jié)構(gòu)。這個(gè)網(wǎng)絡(luò)有點(diǎn)像我們常見的足球表面那樣的多面體結(jié)構(gòu)，但更加復(fù)雜精細(xì)。在這個(gè)網(wǎng)絡(luò)中，每個(gè)節(jié)點(diǎn)代表地球上的一個(gè)位置，節(jié)點(diǎn)之間的連線代表不同位置之間的相互影響關(guān)系。這種方法的巧妙之處在于，它能夠自然地處理地球的球形特征，避免了傳統(tǒng)方法在南北極地區(qū)產(chǎn)生的計(jì)算失真問題。

研究團(tuán)隊(duì)選擇了一個(gè)巧妙的分辨率平衡點(diǎn)：0.25度，這相當(dāng)于在赤道附近每個(gè)網(wǎng)格點(diǎn)覆蓋大約28公里的距離。這個(gè)選擇既保證了預(yù)測的精度，又控制了計(jì)算的復(fù)雜度。他們還設(shè)計(jì)了37個(gè)不同的垂直層次來表示從地面到平流層的大氣結(jié)構(gòu)，就像把大氣層切成37層薄餅，每一層都有自己的溫度、濕度、風(fēng)速等特征。

在數(shù)據(jù)處理方面，GraphCast需要處理5個(gè)核心的大氣變量：溫度告訴我們每個(gè)位置有多熱或多冷，濕度顯示空氣中包含多少水蒸氣，風(fēng)速分量描述空氣如何在三維空間中流動(dòng)，地表氣壓反映了大氣的整體狀態(tài)。這些變量就像是描述天氣狀況的基本詞匯，通過它們的組合變化，模型可以描述從晴空萬里到暴風(fēng)驟雨的各種天氣現(xiàn)象。

**二、從歷史中學(xué)習(xí)預(yù)測未來的智慧**

GraphCast的學(xué)習(xí)過程就像培養(yǎng)一位超級天氣預(yù)報(bào)員。研究團(tuán)隊(duì)使用了歐洲中期天氣預(yù)報(bào)中心從1979年到2017年的再分析數(shù)據(jù)來訓(xùn)練這個(gè)模型。這些數(shù)據(jù)相當(dāng)于38年來每天4次的全球天氣"快照"，總共包含了約5.5萬個(gè)時(shí)間點(diǎn)的完整大氣狀態(tài)記錄。

訓(xùn)練過程采用了一種叫做"教師強(qiáng)制"的方法，這有點(diǎn)像讓學(xué)生通過大量練習(xí)題來掌握解題技巧。模型會(huì)看到某一天的天氣狀況，然后嘗試預(yù)測6小時(shí)后的天氣，接著把預(yù)測結(jié)果與實(shí)際發(fā)生的天氣進(jìn)行對比。如果預(yù)測不準(zhǔn)確，模型就會(huì)調(diào)整自己的內(nèi)部參數(shù)，就像學(xué)生根據(jù)錯(cuò)題來改進(jìn)解題方法一樣。

這個(gè)訓(xùn)練過程的關(guān)鍵在于時(shí)間步長的選擇。研究團(tuán)隊(duì)發(fā)現(xiàn)，6小時(shí)是一個(gè)理想的時(shí)間間隔，既能捕捉到大氣變化的重要特征，又不會(huì)因?yàn)闀r(shí)間步長太小而導(dǎo)致計(jì)算負(fù)擔(dān)過重。通過這種方式，模型學(xué)會(huì)了識(shí)別各種天氣模式的演變規(guī)律，從高壓系統(tǒng)的緩慢移動(dòng)到熱帶風(fēng)暴的快速發(fā)展。

為了確保模型的可靠性，研究團(tuán)隊(duì)采用了嚴(yán)格的驗(yàn)證策略。他們保留了2018年到2021年的數(shù)據(jù)作為測試集，這些數(shù)據(jù)在訓(xùn)練過程中從未被模型見過，就像是給學(xué)生準(zhǔn)備的期末考試。這種做法確保了模型的泛化能力，也就是說，它不僅能夠重現(xiàn)歷史天氣模式，還能對未來的新情況做出合理預(yù)測。

**三、圖神經(jīng)網(wǎng)絡(luò)的魔法：讓數(shù)據(jù)自己講述天氣故事**

GraphCast的核心技術(shù)是圖神經(jīng)網(wǎng)絡(luò)，這是一種專門處理網(wǎng)絡(luò)結(jié)構(gòu)數(shù)據(jù)的人工智能方法。如果把傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)比作處理照片的工具，那么圖神經(jīng)網(wǎng)絡(luò)就像是專門分析社交網(wǎng)絡(luò)關(guān)系的工具，它能夠理解不同節(jié)點(diǎn)之間的復(fù)雜相互作用。

在天氣預(yù)測的應(yīng)用中，圖神經(jīng)網(wǎng)絡(luò)的優(yōu)勢特別明顯。大氣中的每個(gè)位置都會(huì)受到周圍地區(qū)的影響，就像水面上的漣漪會(huì)相互干擾一樣。傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)在處理這種全球性的相互作用時(shí)會(huì)遇到困難，特別是在處理遠(yuǎn)距離影響時(shí)效果不佳。而圖神經(jīng)網(wǎng)絡(luò)可以直接建模任意兩點(diǎn)之間的連接關(guān)系，更自然地表達(dá)大氣系統(tǒng)的全球性特征。

模型的架構(gòu)包含16層的消息傳遞機(jī)制，每一層都允許信息在網(wǎng)絡(luò)中傳播一步。這就像信息在社交網(wǎng)絡(luò)中的傳播過程，每個(gè)節(jié)點(diǎn)都會(huì)接收來自鄰居的信息，并結(jié)合自身的狀態(tài)產(chǎn)生新的輸出。通過多層的信息傳遞，模型能夠捕捉到從局地到全球尺度的各種大氣現(xiàn)象。

特別值得注意的是，GraphCast使用了一種多尺度的網(wǎng)格設(shè)計(jì)。除了主要的高分辨率網(wǎng)格外，模型還包含了一個(gè)較粗糙的網(wǎng)格來處理大尺度的大氣運(yùn)動(dòng)。這種設(shè)計(jì)就像在看地圖時(shí)既能看到詳細(xì)的街道布局，又能把握整個(gè)城市的結(jié)構(gòu)一樣，幫助模型同時(shí)理解局地天氣現(xiàn)象和全球氣候模式。

**四、超越傳統(tǒng)預(yù)報(bào)的準(zhǔn)確性突破**

當(dāng)研究團(tuán)隊(duì)把GraphCast與歐洲中期天氣預(yù)報(bào)中心的HRES系統(tǒng)進(jìn)行對比時(shí)，結(jié)果令人印象深刻。在2018年的測試中，GraphCast在90%的預(yù)測指標(biāo)上都表現(xiàn)得更好。這就像是在一場包含900個(gè)項(xiàng)目的綜合比賽中，新手選手在810個(gè)項(xiàng)目上都擊敗了經(jīng)驗(yàn)豐富的老將。

在最重要的500百帕位勢高度預(yù)測上，GraphCast顯示出了顯著的優(yōu)勢。位勢高度聽起來很專業(yè)，但實(shí)際上它反映的是大氣的整體流動(dòng)模式，就像河流的流向決定了水的走向一樣，大氣的位勢高度分布決定了天氣系統(tǒng)的移動(dòng)方向。GraphCast對這個(gè)關(guān)鍵指標(biāo)的預(yù)測精度提升，意味著它能更準(zhǔn)確地預(yù)測高低壓系統(tǒng)的移動(dòng)路徑。

在極端天氣預(yù)測方面，GraphCast表現(xiàn)得尤為出色。研究團(tuán)隊(duì)測試了模型對熱浪預(yù)測的能力，發(fā)現(xiàn)它不僅能夠預(yù)測熱浪的發(fā)生，還能較準(zhǔn)確地預(yù)測熱浪的強(qiáng)度和持續(xù)時(shí)間。對于像2021年北美那樣的極端熱浪事件，GraphCast能夠提前幾天發(fā)出預(yù)警，為公共衛(wèi)生部門和應(yīng)急管理機(jī)構(gòu)提供寶貴的準(zhǔn)備時(shí)間。

更令人興奮的是GraphCast對熱帶氣旋路徑的預(yù)測能力。研究團(tuán)隊(duì)分析了2018年到2021年期間的所有熱帶氣旋，發(fā)現(xiàn)GraphCast的路徑預(yù)測誤差比傳統(tǒng)方法減少了約12%。這種改進(jìn)看起來數(shù)字不大，但在實(shí)際應(yīng)用中意義重大，因?yàn)榧词故菐资锏穆窂狡钜部赡軟Q定一個(gè)沿海城市是否需要疏散居民。

**五、計(jì)算效率的革命性提升**

GraphCast最引人注目的優(yōu)勢之一是其計(jì)算效率。傳統(tǒng)的數(shù)值天氣預(yù)報(bào)系統(tǒng)需要在超級計(jì)算機(jī)上運(yùn)行數(shù)小時(shí)才能完成10天的預(yù)測，而GraphCast在單個(gè)谷歌TPU設(shè)備上只需要不到一分鐘就能完成同樣的任務(wù)。這種效率提升就像從步行改為乘坐高速列車，不僅速度快了幾百倍，成本也大大降低。

這種效率優(yōu)勢的根源在于GraphCast跳過了復(fù)雜的數(shù)值積分過程。傳統(tǒng)方法需要求解大氣動(dòng)力學(xué)的偏微分方程組，這個(gè)過程包含了數(shù)百萬個(gè)相互耦合的方程，計(jì)算量極其龐大。而GraphCast通過機(jī)器學(xué)習(xí)直接從歷史數(shù)據(jù)中學(xué)習(xí)天氣演變模式，避免了繁重的數(shù)值計(jì)算。

能耗方面的改進(jìn)同樣顯著。研究團(tuán)隊(duì)估算，運(yùn)行一次GraphCast預(yù)測所消耗的能量大約相當(dāng)于傳統(tǒng)數(shù)值模型的千分之一。這不僅降低了運(yùn)營成本，也大大減少了碳排放。在全球都在關(guān)注環(huán)境保護(hù)的今天，這種綠色計(jì)算方法具有重要的社會(huì)意義。

快速的計(jì)算速度還帶來了其他可能性。研究團(tuán)隊(duì)可以很容易地運(yùn)行多個(gè)不同初始條件的預(yù)測，生成集合預(yù)測來評估預(yù)測的不確定性。這就像醫(yī)生不是只給出一個(gè)診斷結(jié)果，而是提供幾種可能性及其概率，幫助患者做出更明智的決策。

**六、技術(shù)創(chuàng)新背后的深層智慧**

GraphCast的成功不僅僅在于技術(shù)實(shí)現(xiàn)，更在于其設(shè)計(jì)理念的創(chuàng)新。傳統(tǒng)的天氣預(yù)報(bào)完全依賴物理定律，就像嚴(yán)格按照食譜烹飪一樣，每一步都有明確的科學(xué)依據(jù)。而GraphCast則更像是一位經(jīng)驗(yàn)豐富的廚師，通過觀察大量的烹飪實(shí)例，學(xué)會(huì)了在什么情況下應(yīng)該如何調(diào)整火候和調(diào)料。

這種數(shù)據(jù)驅(qū)動(dòng)的方法能夠捕捉到一些傳統(tǒng)物理模型可能遺漏的復(fù)雜模式。大氣系統(tǒng)是一個(gè)高度非線性的混沌系統(tǒng)，其中包含著許多我們還不完全理解的相互作用機(jī)制。GraphCast通過分析海量歷史數(shù)據(jù)，能夠識(shí)別這些隱藏的模式，即使我們無法用簡單的物理定律來解釋它們。

模型的泛化能力也值得關(guān)注。雖然GraphCast是基于過去40年的數(shù)據(jù)訓(xùn)練的，但它對2018年以后的天氣預(yù)測仍然表現(xiàn)良好，這說明它學(xué)到的不是簡單的數(shù)據(jù)記憶，而是真正的天氣變化規(guī)律。這就像一個(gè)學(xué)生不是死記硬背考試答案，而是真正理解了解題方法，所以能夠應(yīng)對新的考試題目。

研究團(tuán)隊(duì)還特別關(guān)注了模型的物理一致性。雖然GraphCast是純粹的數(shù)據(jù)驅(qū)動(dòng)模型，但其預(yù)測結(jié)果仍然遵循基本的物理守恒定律，比如質(zhì)量守恒和能量守恒。這種特性確保了模型預(yù)測的合理性，避免了可能出現(xiàn)的不符合物理規(guī)律的異常結(jié)果。

**七、面向未來的應(yīng)用前景**

GraphCast的應(yīng)用潛力遠(yuǎn)遠(yuǎn)超出了傳統(tǒng)天氣預(yù)報(bào)的范圍。在農(nóng)業(yè)領(lǐng)域，更準(zhǔn)確的天氣預(yù)測可以幫助農(nóng)民制定最優(yōu)的種植和收獲計(jì)劃，減少因天氣突變造成的損失。研究團(tuán)隊(duì)正在探索如何將GraphCast與作物生長模型結(jié)合，為農(nóng)業(yè)決策提供更精準(zhǔn)的指導(dǎo)。

在能源行業(yè)，GraphCast可以為風(fēng)能和太陽能發(fā)電提供更準(zhǔn)確的產(chǎn)量預(yù)測。風(fēng)力發(fā)電場的運(yùn)營者可以根據(jù)風(fēng)速預(yù)測來優(yōu)化發(fā)電機(jī)的運(yùn)行計(jì)劃，電網(wǎng)調(diào)度員可以更好地平衡可再生能源的供應(yīng)和需求。這種應(yīng)用對于推動(dòng)清潔能源的發(fā)展具有重要意義。

航空業(yè)也是GraphCast的重要應(yīng)用領(lǐng)域。更準(zhǔn)確的高空風(fēng)場預(yù)測可以幫助航空公司優(yōu)化航線規(guī)劃，不僅能夠節(jié)省燃料成本，還能減少由于天氣原因造成的航班延誤。研究團(tuán)隊(duì)發(fā)現(xiàn)，GraphCast對平流層天氣的預(yù)測能力特別出色，這對跨洋航班的路線規(guī)劃尤其有價(jià)值。

在氣候變化研究方面，GraphCast也展現(xiàn)出了巨大潛力。雖然它主要針對短期天氣預(yù)測，但其高效的計(jì)算特性使得研究人員可以進(jìn)行大量的模擬實(shí)驗(yàn)，探索不同氣候情景下的天氣模式變化。這對于理解全球變暖對極端天氣事件的影響具有重要價(jià)值。

**八、挑戰(zhàn)與局限性的誠實(shí)面對**

盡管GraphCast取得了顯著成功，但研究團(tuán)隊(duì)也誠實(shí)地承認(rèn)了模型的一些局限性。最主要的限制是訓(xùn)練數(shù)據(jù)的時(shí)間范圍，由于模型基于1979年到2017年的數(shù)據(jù)訓(xùn)練，它可能無法很好地處理這個(gè)時(shí)期沒有出現(xiàn)過的極端天氣事件。氣候變化正在導(dǎo)致前所未有的極端天氣現(xiàn)象，這對任何基于歷史數(shù)據(jù)的預(yù)測系統(tǒng)都是挑戰(zhàn)。

另一個(gè)重要限制是空間分辨率。雖然0.25度的分辨率對于全球天氣預(yù)測來說已經(jīng)相當(dāng)不錯(cuò)，但對于局地天氣現(xiàn)象，比如雷暴或龍卷風(fēng)的預(yù)測，這個(gè)分辨率還是不夠精細(xì)。傳統(tǒng)的高分辨率數(shù)值模型在處理這些小尺度現(xiàn)象時(shí)仍然具有優(yōu)勢。

模型的物理解釋性也是一個(gè)需要持續(xù)關(guān)注的問題。雖然GraphCast的預(yù)測結(jié)果很準(zhǔn)確，但我們很難解釋為什么它會(huì)做出某個(gè)特定的預(yù)測。這種"黑盒"特性在一些需要物理解釋的應(yīng)用場景中可能會(huì)成為限制因素。

長期預(yù)測的不確定性是另一個(gè)需要深入研究的問題。雖然GraphCast在10天預(yù)測中表現(xiàn)出色，但對于更長時(shí)間尺度的預(yù)測，比如季節(jié)性預(yù)測或氣候預(yù)測，其表現(xiàn)還需要進(jìn)一步驗(yàn)證。大氣系統(tǒng)的混沌特性決定了長期預(yù)測的根本困難，這是任何預(yù)測方法都必須面對的挑戰(zhàn)。

**九、對傳統(tǒng)氣象學(xué)的深遠(yuǎn)影響**

GraphCast的成功標(biāo)志著氣象學(xué)領(lǐng)域的一個(gè)重要轉(zhuǎn)折點(diǎn)。傳統(tǒng)上，氣象學(xué)一直是一個(gè)以物理定律為基礎(chǔ)的學(xué)科，天氣預(yù)報(bào)被視為解決復(fù)雜數(shù)學(xué)方程的問題。GraphCast證明了機(jī)器學(xué)習(xí)方法可以在不顯式求解物理方程的情況下實(shí)現(xiàn)高精度預(yù)測，這為整個(gè)領(lǐng)域開辟了新的研究方向。

這種轉(zhuǎn)變并不意味著傳統(tǒng)物理方法的淘汰，而是兩種方法的融合與互補(bǔ)。研究團(tuán)隊(duì)指出，最理想的情況是將機(jī)器學(xué)習(xí)的效率與物理模型的可解釋性結(jié)合起來，開發(fā)出既快速又可信的新一代預(yù)測系統(tǒng)。這種混合方法可能會(huì)成為未來天氣預(yù)報(bào)的主流趨勢。

GraphCast也推動(dòng)了氣象數(shù)據(jù)的重新審視。傳統(tǒng)上，氣象觀測數(shù)據(jù)主要用于初始化物理模型，而現(xiàn)在這些數(shù)據(jù)成為了訓(xùn)練機(jī)器學(xué)習(xí)模型的寶貴資源。這可能會(huì)改變氣象觀測網(wǎng)絡(luò)的設(shè)計(jì)理念，促使人們更加重視數(shù)據(jù)質(zhì)量和覆蓋范圍的優(yōu)化。

對于氣象學(xué)教育來說，GraphCast的成功也提出了新的要求。未來的氣象工作者不僅需要掌握傳統(tǒng)的大氣物理知識(shí)，還需要具備機(jī)器學(xué)習(xí)和數(shù)據(jù)科學(xué)的技能。這種跨學(xué)科的知識(shí)結(jié)構(gòu)將成為新一代氣象學(xué)家的基本要求。

說到底，GraphCast代表的不僅僅是一個(gè)新的天氣預(yù)報(bào)工具，更是人工智能在科學(xué)研究中應(yīng)用的一個(gè)典型例子。它展示了機(jī)器學(xué)習(xí)如何能夠從大量數(shù)據(jù)中發(fā)現(xiàn)人類難以察覺的復(fù)雜模式，并將這些發(fā)現(xiàn)轉(zhuǎn)化為實(shí)用的預(yù)測能力。這種方法正在許多科學(xué)領(lǐng)域得到應(yīng)用，從藥物發(fā)現(xiàn)到材料設(shè)計(jì)，都在經(jīng)歷類似的變革。

GraphCast的開源發(fā)布也體現(xiàn)了現(xiàn)代科學(xué)研究的開放精神。通過分享代碼和模型，研究團(tuán)隊(duì)為全球氣象學(xué)界提供了一個(gè)共同的研究平臺(tái)，這將加速相關(guān)技術(shù)的發(fā)展和應(yīng)用。我們有理由相信，在不久的將來，基于GraphCast技術(shù)的天氣預(yù)報(bào)服務(wù)將會(huì)讓每個(gè)人都受益于更準(zhǔn)確、更及時(shí)的天氣信息。

對于普通人來說，GraphCast技術(shù)的應(yīng)用將帶來實(shí)實(shí)在在的便利。更準(zhǔn)確的天氣預(yù)報(bào)意味著我們可以更好地安排日?；顒?dòng)，農(nóng)民可以更科學(xué)地管理農(nóng)田，交通部門可以更有效地應(yīng)對惡劣天氣，災(zāi)害管理部門可以更及時(shí)地發(fā)出預(yù)警。這項(xiàng)看似高深的科學(xué)研究，最終將通過改善天氣預(yù)報(bào)的質(zhì)量，讓我們每個(gè)人的生活變得更加便利和安全。

Q&A

Q1：GraphCast和傳統(tǒng)天氣預(yù)報(bào)系統(tǒng)相比有什么優(yōu)勢？

A：GraphCast最大的優(yōu)勢是計(jì)算效率和預(yù)測準(zhǔn)確性的雙重提升。它只需要不到一分鐘就能完成傳統(tǒng)系統(tǒng)需要數(shù)小時(shí)才能完成的10天全球天氣預(yù)測，而且在90%的預(yù)測指標(biāo)上都比傳統(tǒng)方法更準(zhǔn)確。同時(shí)，它的能耗只有傳統(tǒng)方法的千分之一，大大降低了運(yùn)營成本和環(huán)境影響。

Q2：GraphCast為什么能比傳統(tǒng)方法預(yù)測得更準(zhǔn)確？

A：GraphCast使用圖神經(jīng)網(wǎng)絡(luò)技術(shù)，能夠更好地處理全球大氣系統(tǒng)中復(fù)雜的相互作用關(guān)系。它通過學(xué)習(xí)40年的歷史天氣數(shù)據(jù)，掌握了許多傳統(tǒng)物理模型可能遺漏的復(fù)雜天氣模式。特別是在極端天氣和熱帶氣旋路徑預(yù)測方面，它的表現(xiàn)明顯優(yōu)于傳統(tǒng)方法。

Q3：普通人什么時(shí)候能用上基于GraphCast技術(shù)的天氣預(yù)報(bào)？

A：雖然GraphCast目前還主要用于科學(xué)研究，但谷歌已經(jīng)開源了這項(xiàng)技術(shù)，這意味著各國氣象部門和天氣服務(wù)提供商可以基于這項(xiàng)技術(shù)開發(fā)更好的預(yù)報(bào)服務(wù)。預(yù)計(jì)在未來幾年內(nèi)，我們就能在日常的天氣應(yīng)用中體驗(yàn)到這種更準(zhǔn)確、更快速的預(yù)報(bào)技術(shù)帶來的便利。