GenCast
GenCast是谷歌深层思维(DeepMind)团队研发的一种基于机器学习的概率天气预报模型，2024年12月4日在《自然》期刊上公开。它采用扩散模型架构，能在8分钟内生成一组15天全球天气预报，经纬度分辨率为0.25度。在2019年数据的评测中，它在1320个评估指标里有97.2%优于欧洲中期天气预报中心的集合预报系统ENS，对极端天气、热带气旋路径和风能产量的预测也更为准确。
定义
GenCast是一种基于机器学习的概率天气预报模型，由谷歌旗下的深层思维团队研发，相关论文于2024年12月4日发表在《自然》期刊上[1][2]。它不是给出单一结果的确定性预报，而是输出一组可能天气情景的集合，用以表达预报中的不确定程度[3][4]。
该模型的分辨率为0.25度，时间步长为12小时，可提供最长15天的全球预报，覆盖地表和13个气压层上的温度、气压、湿度、风速等80多个变量[5]。在一台张量处理单元(TPU)上，生成一组15天预报约需8分钟[1]。
原理
GenCast属于条件扩散模型，与生成图像、视频和音乐的生成式模型同属一类[1]。其做法是先把未来某个时刻的大气状态变量初始化为随机噪声，再以过去两个时刻的大气状态作为条件，通过去噪神经网络反复修正这一候选状态，逐步得到该时刻的天气样本[3][4]。
去噪网络由编码器、处理器和解码器组成：编码器把网格上的含噪状态映射到一种经过细化的二十面体网格表示，处理器采用图变换器结构让各节点关注其邻近范围，解码器再把内部表示映射回经纬度网格上的去噪状态[3]。生成整条预报轨迹时逐步向前推进：每个时间步都用不同的噪声初始化，因此重复采样即可得到多条可能路径，构成集合预报[3]。集合成员之间的差异越大，说明预报的不确定程度越高[4]。
发展历程
GenCast的相关论文曾于2023年以预印本形式公开[6]。它是深层思维在天气预报方向上的后续工作，此前的模型属于确定性预报，只给出单一的最优估计，而GenCast一次可输出50个或更多的预报成员[1]。
2024年12月4日，研究团队在《自然》期刊发表题为《使用机器学习进行概率天气预报》的论文，正式提出GenCast[7][3]。论文第一作者兼共同通讯作者为深层思维的Ilan Price，研究使用了欧洲中期天气预报中心ERA5再分析资料中1979年至2018年共40年的数据用于训练[2][3]。训练过程历时5天，使用32块张量处理单元[4]。
研究团队公开了模型代码，并将模型参数以非商业用途的方式供外界使用[6]。欧洲中期天气预报中心的机器学习协调人Matthew Chantry表示，GenCast的扩散方法给该机构的机器学习模型带来了启发[6]。
应用
在评测中，研究团队用1979年至2018年的数据训练模型，再以2019年的数据检验，比较对象是欧洲中期天气预报中心的集合预报系统ENS[1]。他们按不同变量和不同预报时效共设置1320个指标，GenCast在其中97.2%的指标上优于ENS，在超过36小时的时效上这一比例为99.8%[1][8]。
在极端天气方面，GenCast对极端高温、极端低温和强风的预报表现优于ENS，对热带气旋路径的预报也更为准确，可提前6至12小时给出路径信息[1]。在一个分析全球多个风电场总发电量的验证性实验中，GenCast的预测同样比ENS准确，这对风能调度具有参考价值[1]。
GenCast属于谷歌一系列新一代天气预报模型的组成部分，同一体系中的模型还包括NeuralGCM等，这些模型被用于改进降水、山火、洪水和极端高温的预报[1]。在谷歌的开发者平台上，该模型以WeatherNext Gen的名称提供历史预报数据。
局限
GenCast仍然依赖传统数值天气预报系统提供初始条件，业务化运行需要以数值模式的数据同化结果作为输入[9]。模型基于ERA5再分析资料训练和评估，若要投入业务运行，还需改用业务化的输入数据重新训练[9]。此外，以2018年之前数据训练的模型，在2024年的表现会不如用截至2023年数据训练的模型，因此需要持续补充新数据[10]。
作为扩散模型，GenCast在计算上比同等规模的确定性机器学习模型更昂贵，因为生成每个预报时间步都需要多次函数评估[9]。在预报能力上，它对流层上层的状况估计仍有困难，对热带气旋强度的预报偏低，原因是训练数据中相关强度信息不足[10]。
这类机器学习天气预报系统不适用于气候预估：气候预估关注的是数十年后的统计特征，与当前天气状况关系不大，且属于观测数据相对有限的问题，与天气预报所依赖的大量观测资料情形不同[4]。研究者的设想是气象专家与GenCast配合使用，由人工对预报结果作出判断[10]。
参见
参考资料
- deepmind.google 上的网页 . deepmind.google [引用日期2026-10-08]
- 天气预报机器学习模型准确性如何？研究称表现超越现有最好水平 . chinanews.com.cn [引用日期2026-10-08]
- Probabilistic weather forecasting with machine learning . nature.com [引用日期2026-10-08]
- AI-weather-models-beat-traditional-forecasts . csiro.au [引用日期2026-10-08]
- DeepMind天气模型可在8分钟完成未来15天天气预测----中国科学院网信工作网 . cas.cn [引用日期2026-10-08]
- gov.in 上的网页 . gov.in [引用日期2026-10-08]
- 资源环境科技发展态势分析平台 . llas.ac.cn [引用日期2026-10-08]
- 深度思维AI模型表现超越现有天气预报 . news.cn [引用日期2026-10-08]
- arxiv.org 上的网页 . arxiv.org [引用日期2026-10-08]
- technologyrreview.com 上的网页 . technologyrreview.com [引用日期2026-10-08]
浏览次数：3 次
阅读量：0 次 · 阅读完成量：0 次
最近更新：2026-10-08T11:40:40Z
完成率 = 阅读完成量 ÷ 阅读量，分母是阅读量不是浏览次数 —— 关了 JS 的、秒退的都在浏览次数里、不在阅读量里。 详细口径在后台的「数据统计」页。