走近 Google 的 GenCast：了解 AI 如何用于天气预报

天气与每个人息息相关——影响我们的行为、安全感，以及生活方式。因此，精准的天气预报不是奢侈品，而是必需品，尤其是在气候变化加剧、极端天气事件频率令人担忧地不断上升的时代。

当然，天气预报并非新鲜事物，传统预报方式已沿用数十年。尽管行之有效，但在长期准确预测方面经常面临挑战。

因此，让我来谈谈GenCast，这是一款极具震撼力（甚至可谓革命性）的 AI 驱动模型，由 Google DeepMind 开发，宣称可将预报准确性提升至提前 15 天。GenCast 将先进的机器学习技术与天气科学相结合，提供更可靠的高分辨率预测。 

AI 在天气预报中的崛起

传统天气模型依赖数值天气预报（NWP），即将初始天气条件输入超级计算机，生成单个确定性预报。这样做不坏，但问题在于天气是一个混沌系统，这意味着初始条件的微小变化——比如温度的轻微改变等——都可能导致截然不同的结果。这一现象被称为蝴蝶效应，源自混沌理论。

为应对这种不稳定性，预报员会通过轻微调整变量来创建多次模拟。随后将这些模拟组合为由欧洲中期天气预报中心（ECMWF）提出的集合预报（ENS）。

尽管 ENS 卓有成效，但它也有局限，主要在于计算效率低，也就是运行模拟需要大量资源；以及不足的不确定性建模，即难以充分刻画所有潜在结果的全谱。

AI 被视为应对这些挑战的可行方案。早期模型侧重确定性预报，近期的混合模型（如 NeuralGCM）提升了预测精度。然而，这些模型在速度与可扩展性方面常有不足——而 GenCast 旨在解决这些问题。

什么是 GenCast？

我们先谈谈 GenCast 的起源，再看它为何如此引人注目。

GenCast 的起源

GenCast 是天气预报领域的一项重大突破。由 Google DeepMind 开发，并发表于《Nature》期刊，GenCast 是首个在准确性与效率上均超越 ENS 的机器学习天气预测（MLWP）模型。GenCast 最初旨在突破传统系统的计算瓶颈，利用机器学习与生成式 AI 的最新进展，重塑天气预测。

迄今结果颇为亮眼。GenCast 在 15 天预报中准确率提升 97.2% ，在更短的 36 小时预报中准确率提升 99.8%。更为惊人的是速度：它仅用 8 分钟即可生成预报，而传统方法可能需要在拥有数万处理器的超级计算机上耗时数小时。

理解 GenCast 的创新

GenCast 采用全新的预报思路。它并非只依赖数值模拟，而是使用基于扩散模型的概率预报——这是一种常用于图像与视频生成的生成式 AI。

GenCast 将该模型适配于地球的球面几何，从而能够学习并生成复杂概率。扩散模型为诸如风、降水等变量模拟逼真的联合分布，强化了概率预报。此生成式方法显著降低计算需求，具备良好的可扩展性与可及性。

GenCast 的工作原理

GenCast 的训练基于 40 年的历史天气数据，涵盖 80 多个变量，如温度、湿度和气压。其算法基于扩散模型，类似于 DALL-E 或 MidJourney 这类工具中的图像生成方法，并将其改造用于天气预报。下图展示了流程的高层概览：

来源：作者制图

本质上，该过程从噪声数据开始，这些噪声代表系统中的不确定性或随机性。在此语境中，噪声指的是由于天气模式的混沌本质而不够清晰的初始条件或数据点。模型在每一步都会利用从历史天气数据中学习到的模式与关系，逐步降低不确定性。

算法并非聚焦于单一结果，而是生成一个概率性的 预报集合，以刻画不同情景下的概率。这对预测如气旋等极端事件尤其有用，因为其精确的时间与路径至关重要。

经过多次迭代后，模型会生成高度精炼的预报。该方法使 GenCast 能够构建变量间逼真的联合分布，例如预测风能潜力与温度、气压变化的相关性。其优势在于能够与天气系统固有的不确定性“共处”。   

GenCast 的应用与现实影响

GenCast 是 Google 的先进 AI 天气模型之一，另有 Google Research 的 NeuralGCM、SEEDS 以及洪水预测模型等。这些工具正被整合进搜索、地图等多项服务，以提升降水、野火、洪水与极端高温等预测能力。部分应用如下所述。

GenCast 的现实应用。来源：作者制图

极端天气应对

气旋、飓风和热浪等极端天气的危害众所周知。受气候变化影响，这些事件愈加频繁且更为猛烈。以近期洛杉矶的毁灭性火灾为例。GenCast 可在事件发生前数日提供精确追踪，使政府与应急部门得以及时采取主动响应。比如：

• 灾害响应：前文提到，GenCast 可提前数天预测气旋登陆时间。这意味着有关部门能及时发布撤离令、准备避难所，或采取其他重要且有效的措施。
• 经济节约：主动的灾害管理可帮助企业保护资产并减少关键业务停工时间，从而降低经济损失。
• 拯救生命：或许最重要的益处在于，通过提供更长的准备时间，GenCast 能在极端事件中挽救更多生命。

例如，在一项 针对台风“海贝思”的测试中，GenCast 提前七天预测了其登陆时间。我认为，这种预测能力在灾害管理中的重要性难以言表。

能源行业

全球政策正明显转向可再生能源，尤其是风能与太阳能。这些能源高度依赖准确的天气预报，GenCast 正是在优化能源生产中发挥作用：

• 风电预测：对风速与风向的精准预测有助于能源公司估算风电场的发电量，进而提升电网可靠性与能源高效调配。
• 光伏规划：对云量与日照强度等关键变量的准确预报，使光伏运营方能够有效规划储能与配电。
• 电网稳定性：借助 GenCast 的增强预报能力，能源供应商得以更好地平衡供需，降低停电或能源浪费的风险。

农业与交通

天气条件对农业与物流至关重要。部分用例如下。 

• 农业：播种、灌溉与收获等关键决策均依赖天气，准确预测尤为重要。GenCast 较长提前期的高准确度，能帮助农户更好规划与优化这些活动，从而增产降损。
• 交通与物流：数学优化是交通与物流中的常见应用。然而，这类优化依赖准确的预报，方能让物流企业规划路线与时刻表。这正是 GenCast 最先进的预报模型所能实现的。 
• 供应链管理：企业可更好地预测极端天气带来的中断，并相应调整供应链，降低低效与成本。

这些应用凸显了 GenCast 在多行业创造重大影响的价值。

挑战与未来方向

尽管 GenCast 是一项突破，但并不完美。其当前局限包括：

• 分辨率较低：其 0.25° 的分辨率不及 ECMWF 0.1° 的精细度。这里的分辨率指 GenCast 的 空间分辨率，即模型在预报中可区分的最小区域。0.25° 意味着每个网格在赤道附近约为 28 km × 28 km，而 ECMWF 的 0.1° 网格更细，为约 11 km × 11 km。
• 实时数据集成：目前，GenCast 无法整合实时数据，或有效预测云量。
• 罕见事件预测：由于依赖 40 年的历史数据，GenCast 难以预测百年一遇之类的极端罕见事件。
• 计算资源需求高：尽管高效，扩散模型仍需大量资源。诸如 模型蒸馏 等技术（由小模型向大模型学习）或可缓解此问题。

如何在您的工作中使用 GenCast

对 GenCast 编码感兴趣的开发者与数据科学家可通过 Google DeepMind 的 GraphCast 与 GenCast GitHub 仓库获取实现。该仓库提供了示例代码、预训练权重以及运行与训练 GenCast 天气模型的详细指南等丰富资源。 

仓库还包含如 gencast_mini_demo.ipynb 的 Jupyter 笔记本，提供逐步教程以加载数据、生成预测并计算梯度。此外，仓库还包含诸多实用工具，便于探索 GenCast 的预报能力。

关于预测与概率的补充说明

预测依赖数学技术来识别模式并推断未来结果。时间序列分析、回归模型和机器学习算法都在解读历史数据方面发挥作用。数据驱动预测的经典案例可由 Rob Hyndman 的名言概括：“您可以根据路上的骑行者数量来预测是否下雨。”这句话看似幽默，却说明了变量间关系——例如人们在恶劣天气中避免骑行——如何被用来做出有根据的预测。

许多预测问题涉及非线性系统，在这类系统中，初始条件的细微变化可能导致截然不同的结果。对天气或金融市场等复杂、动态系统而言尤其如此。尽管存在这些挑战，数学模型仍能提取有意义的趋势，并在不同置信度下给出预测。

概率建模在预测中的作用

传统预测方法常给出单点估计，但真实世界系统具有内在不确定性。概率建模通过估计一系列可能结果及其概率，改进了确定性预报。与其说“明天会下雨”，概率模型可能会预测“明天有 70% 的概率下雨”，从而纳入复杂系统所伴随的不确定性。

这种方法涉及条件概率分布、贝叶斯推断与随机过程来量化不确定性。类似技术也用于诸如ChatGPT 等 AI 模型中，这些模型通过权衡各种选项的概率来预测句子的下一个词。预测模型并非预测词语，而是利用概率来预估事件、趋势与状态。

GenCast 如何应用这些概念

GenCast 同时利用预测技术与概率建模来提升预测准确性。它并非给出单一的确定性结果，而是基于历史与实时数据，建模不同未来状态的可能性。通过这种方式，GenCast 能考虑不确定性与波动性，比传统模型更为可靠。

结语

GenCast 不仅仅是一个天气预报模型；它也是对 AI 驱动预测未来图景的一瞥。它的确有潜力颠覆行业、改进灾害应对，甚至拯救生命。见证 GenCast 在未来几年实现的变革式飞跃及其影响，令人期待。

本文提到了许多不同的概念，所幸 DataCamp 提供了完整的学习资源。下方我将附上相关内容，便于您继续学习预测、概率建模与生成式 AI 概念。

• 生成式 AI 概念：了解生成式 AI 模型如何开发，以及它将如何影响社会发展。
• 用 R 进行预测：学习如何使用 R 的时间序列方法（包括 ARIMA 模型与指数平滑）来进行未来预测。
• Python 概率基础：学习随机变量、均值与方差、概率分布和条件概率等基础概念。
• AI 课程：学习生成式 AI、提示工程、深度学习等主题，全面提升技能。