GraphCast
PulseAugur coverage of GraphCast — every cluster mentioning GraphCast across labs, papers, and developer communities, ranked by signal.
- 2026-09-03 product_launch Google launched its new AI weather model, GraphCast, developed by Google DeepMind. 来源
- 2026-09-03 research_milestone Google's AI weather model, GraphCast, demonstrates improved forecasting capabilities. 来源
- 2026-06-02 research_milestone A new paper demonstrates machine learning models can achieve skillful deterministic weather forecasts beyond 30 days. 来源
4 天有情绪数据
-
谷歌的 GraphCast 天气模型被欧洲预报员采用，未造成失业
谷歌的 DeepMind 开发了一个名为 GraphCast 的机器学习模型，该模型可以在一分钟内生成十天的全球天气预报，其性能显著优于传统的基于物理的模型。该公司免费发布了模型权重，允许欧洲中期天气预报中心等组织将其与现有系统集成。此次采用表明，AI 在提供更优越的方法的同时，并未取代人类专家，这为 AI 在其他技术领域的整合提供了一个罕见的范例。
-
新的ScaleCast框架对齐全球和区域模型以进行公里级天气预测
研究人员开发了ScaleCast，一个用于公里级区域天气预测的新框架，该框架对齐全球和区域天气模型。该框架使用全球-区域转换模块来对齐表示，并使用全球-区域对齐和动力学块来整合全球指导和局部交互。实验表明，ScaleCast在各种变量上都能改善区域预测，并且可以在不重新训练的情况下支持多个全球预测驱动因素，展示了对不同分辨率和领域的适应性。
-
新的可解释性方法揭示了 AI 天气模型 GraphCast 的内部变量
研究人员开发了一种方法，通过训练稀疏自编码器 (SAE) 来解释 GraphCast 等 AI 天气模型的内部工作原理。这些 SAE 被用于揭示 GraphCast 中学习到的概念，重点关注大气河流。研究发现，尽管大气河流强度不是模型的输入或目标，但 GraphCast 将其计算为一个稳定的内部变量。该技术可以识别内部变量并确认其在模型预测中的因果作用，为理解这些模型在气候变化条件下如何表示现象提供了途径。
-
新的可解释性方法揭示了 AI 天气模型的内部概念
研究人员正在使用稀疏自编码器 (SAE) 来研究 GraphCast 等 AI 天气模型的内部工作原理，重点关注它们如何表示大气河流等现象。通过在 GraphCast 的数据上训练 SAE，他们发现该模型将大气河流强度计算为一个稳定的内部变量，尽管该变量不是输入或输出的直接组成部分。研究还发现，更先进的 Matryoshka SAE 可以按重要性对这些学习到的概念进行排序并揭示它们之间的关系，从而提供一种识别和理解 GraphCast…
-
机器学习天气模型展现出潜力，但复杂地形下仍需改进
一项新研究评估了三种机器学习天气预报（MLWP）模型——FourCastNet3 (FCN3)、GraphCast 和 ECMWF 高分辨率预报（HRES）——在挪威北部风速预报方面的性能。研究发现，尽管 HRES 的均方根误差（RMSE）为 2.89 米/秒，略优于 MLWP 模型，但 FCN3 和 GraphCast 的表现相当，并且在超出其训练周期后仍能保持其预测能力。尽管 MLWP 模型在局部风力预报方面正变得与传统数值天气预…
-
新方法无需重新训练即可提取天气模型不确定性
研究人员开发了一种名为随机扰动权重（SPW）的新方法，可以在无需重新训练的情况下从确定性机器学习天气模型中提取不确定性估计。该技术涉及在推理时扰动网络的权重张量，从而提供了一种低成本生成集成的方法。虽然 SPW 显示出潜力，但其有效性因模型架构而异，并且需要进一步调整以解决诸如整体场偏移不一致等问题。
-
Google DeepMind 发布更精准的AI天气模型 · 追踪5个来源
Google 借助一款利用实时卫星数据以提高分辨率的新模型，增强了其AI天气预报能力。据报道，这款由Google DeepMind 开发的先进模型比之前的版本和欧洲中期天气预报中心等现有系统更准确。更新后的技术现已支持Google搜索的天气信息，并有望提供更精准的预报。
-
新AI模型TC-Next提升热带气旋预报准确性
研究人员开发了TC-Next，一个用于预测热带气旋路径和强度的多模态深度学习模型。该模型利用大气场和卫星图像的基础模型预测。当在GraphCast预测上进行训练时，与TempestExtremes等传统方法相比，TC-Next显著降低了路径和强度误差。值得注意的是，即使零样本应用于Pangu-Weather、IFS HRES和WeatherNext Cyclones等其他预测模型，TC-Next的表现依然强劲，优于它们的专用跟踪器。
-
VeinCast框架通过物理引导图增强天气预报能力
研究人员开发了VeinCast，一个用于全球中程天气预报的新框架，它集成了物理引导动态场图与图条件融合。该方法将预定义的 A 级大气关系与依赖于状态的边相结合，并使用图上下文来适应地球窗口注意力。VeinCast 在 ERA5 基准测试中，在长达 14 天的预报时间内，在 69 个气象场上表现出具有竞争力的性能，优于 FuXi、Pangu-Weather 和 GraphCast 等模型。消融研究证实了其关系级物理引导对数据驱动天气预报的有效性。
-
AI天气模型已适配火星大气预测
研究人员已成功将最初在地球大气中训练的AI天气模型GraphCast适配到火星条件的预测中。通过使用火星气候数据库的数据进行微调，他们能够捕捉火星的温度变化，包括昼夜循环和季节性结构，预测可达10天。这种适配展示了将地球训练的AI模型应用于行星科学的潜力，可能有助于未来的火星任务。
-
AI天气模拟器展现潜力但极端高温预测准确性面临挑战
一篇新的arXiv论文评估了包括Pangu-Weather、FuXi、ArchesWeather、AIFS、GraphCast和Aurora在内的六个深度学习天气模拟器，与传统基于物理的模型在预测极端高温事件方面的表现。虽然一些AI模型在确定性温度预测方面表现出可比的技能，但它们通常会因光谱保真度降低而出现模糊现象。研究发现，大多数模拟器低估了极端高温事件的峰值强度，而传统的IFS模型在召回率方面表现更优。
-
研究发现：AI在物理学预测方面表现出色，但在理论构建方面仍显不足
人工智能在物理学发现方面取得了重大进展，但目前的趋势表明，与人类科学进步相比，其发展轨迹是相反的。早期的人工智能努力侧重于发现显式方程，而最近的成功，如AlphaFold和GraphCast，在不提供深刻理论理解的情况下就能进行预测。这种轨迹令人担忧，因为人工智能可能非常擅长预测，但却难以发展出类似相对论或量子引力那样改变范式的理论。为了弥合这一差距，人工智能系统需要发展提出基本问题和原则的能力，这与推动重大物理学突破的历史方法相呼应。
-
AI天气模型在极端事件预测方面落后于基于物理学的方法
GraphCast、PanguWeather和Fuxi等AI天气模型在预测日常天气状况方面显示出潜力，在某些情况下甚至优于传统的基于物理学的方法。然而，一项最新研究表明，这些AI模型在准确预测极端天气事件方面仍然存在困难，与成熟的基于物理学的方法相比，往往表现不佳。研究强调，尽管AI在天气预报方面取得了进步，但尚未完全复制基于物理学模型在预测恶劣天气现象方面的准确性。
-
深度神经网络在科学数据压缩方面表现不一
一篇新研究论文探讨了使用深度神经网络压缩大型科学数据集的应用，特别是在气候领域。该研究将VAEformer、GraphCast和Aurora等模型整合到传统的压缩流程中。尽管这些机器学习预测器在重建质量（高达91%）和某些变量的压缩率（高达9.6倍）方面显示出显著的改进，但它们并未提高整体数据集级别的压缩率。研究结果表明，仅有预测精度是不够的，残差的空间结构对于高效的熵编码至关重要。
-
天气模型研究揭示了有利于更宽架构的标度律
一篇新的研究论文探讨了数据驱动的全球天气模型的标度律，分析了性能与模型大小、数据集大小和计算预算的关系。研究发现，天气模型倾向于更宽的架构而非更深的架构，并且在固定的计算预算下，增加训练数据比增加模型大小能带来更大的性能提升。具体而言，Aurora模型表现出强劲的数据标度行为，训练数据增加10倍可导致验证损失降低3.2倍。
-
GraphCast AI 在巴西天气预报中表现好坏参半
一项新研究评估了 Google 的 GraphCast AI 模型在巴西中程天气预报中的性能。研究发现，GraphCast 的有效性因季节和特定气候区域而异。虽然它在夏季湿季能很好地捕捉大尺度水汽输送，但在预测南半球冬季的某些变量时表现不佳，尤其是在涉及复杂天气系统时。
-
机器学习预测天气超过30天
研究人员已证明，机器学习模型可以将确定性天气预报的技能延长到传统的两周极限之外。通过优化GraphCast模型的初始条件，他们在十天内的误差减少了86%，并且在超过30天后仍具有可用技能。该方法揭示了大规模的大气校正，并将其应用于Pangu-Weather模型时，误差减少了21%。研究结果表明，在远超两周的范围内进行有技能的确定性预报是可能的，尽管实时应用于业务预报仍需进一步研究。
-
新AI模型PEAR采用等面积网格改进天气预报
研究人员开发了PEAR，一个直接在分层等面积等纬度像素化（HEALPix）网格上运行的、基于Transformer的新型天气预报模型。这种方法解决了先前模型使用等角网格（在两极分辨率更高）的局限性。PEAR在不增加计算成本的情况下，与在等角网格上的模型和其他基线模型相比，表现出更优越的性能。该模型在气候模型模拟方面也显示出潜力。
-
AirCast-SR：公里尺度天气超分辨率的基础模型
研究人员开发了AirCast-SR，一个专为公里尺度大气超分辨率设计的基礎模型。该模型可以将全球AI天气预报从约28公里分辨率降至1公里分辨率，并生成67小时的八种地表变量预报。AirCast-SR采用了潜在一致性模型扩散框架，并展现出强大的性能，实现了接近零的偏差，并保留了精细的大气结构。该模型在无需重新训练的情况下，已显示出对新区域的零样本全球迁移能力，为高分辨率AI天气预报建立了一种新方法。
-
研究表明AI天气模型可能在模拟物理定律
研究人员发表了一篇论文，探讨了AI天气模型可能在模拟的潜在物理原理。研究表明，尽管架构不同，各种AI模型以相似的方式表示大气行为。该论文提出，这些模型可能正在实现对大气的基于粒子的描述，粒子的运动由学习到的自由能泛函指导。