Google DeepMind部門近日發表AI模型GenCast，可提供未來15天的氣象預報，宣稱比歐洲權威機構還準，也準備不久後將相關資料開源。GenCast是高解析度（0.25°）AI整體模型（AI ensemble model）。所謂整體學習模型是指多個不同的機器學習模型（稱為基礎學習器）組合在一起，以便提高預測準確度和效能。GenCast是以DeepMind去年公布的氣象模擬模型GraphCast為基礎，前者是以單一模型提供未來天氣最佳預測，並且是決定論（deterministic），指模型行為完全可預測，在相同的輸入條件下，每次執行的結果都是一樣。但GenCast的預測則是集結50個或更多預測而成，每種預測都代表一種可能的天氣發展軌跡。GenCast為一個擴散模型。許多圖片、影片和音樂生成模型的底層都是擴散模型。但GenCast差別在於它已融入地球的球形幾何，而且若能給它最近天氣狀態，它就能準確生成未來氣象的複雜機率分布。DeepMind團隊為它輸入歐洲氣象預報龍頭歐洲中期天氣預報中心（European Centre for Medium-Range Weather Forecasts，ECMWF）的ERA5檔案2018年以前的40年歷史資料。這批資料涵括不同海拔的溫度、風速、壓力。這個模型直接以這些天氣資料以0.25°解析度學習全球氣象樣態。在評估效能時，研究人員利用ECMWF 2019年後的資料來評估預練好的GenCast模型。研究團隊比較總共1320種組合的預測，涵括不同預測天數（如1、3、5、7天）、不同變數，結果顯示GenCast在97.2%的數據預測準確率超過歐洲官方的ENS模型，而在36小時以上的預測中，則有99.8%的數據超過ENS模型。GenCast在多種決策情境，預測極端氣候的價值超越現有運作最頂級的ENS模型。以整體預測作為氣象預報，如果大部份預測顯示熱帶氣旋襲擊地區相同，不確定性就低。如果預測的襲擊地點各式各樣，表示高度不確定。GenCast則可取得折衷，防止高估或低估預測的信心水準。研究小組以2019年侵襲日本東南的強烈颱風哈吉貝（Hagibis）為例說明，雖然GenCast在7天前的預測路徑很分散，但接下來就越來愈集中。GenCast的整體預測（ensemble）在單一顆Google Cloud TPUv5上只用了8分鐘即產生15天預測。每種預測皆可同時產生。相較之下，傳統整體預測，像是ENS以0.2°或0.1°解析度產生的預測工作，則需要在一臺數萬顆CPU的超級電腦上運算數小時。GenCast是Google AI氣象預測研發的最新進展。連同DeepMind的GraphCast、Google Research的NeuralGCM、SEEMS、洪水預測模型等，都將逐漸整合在Google搜尋和地圖中，增加對降雨、野火、洪水及熱浪等預測能力。DeepMind承諾很快會開放GenCast的即時和歷史預測資料，以及之前的模型，讓其他研究團隊將之整合到自有研究和模型中，也期望能和學術、氣象、資料科學家、再生能源業者及食物安全與災難回應組織合作，以利模型的實證研究。
