近年来，天气和气候预测技术飞速发展。谷歌与欧洲中期天气预报中心（ECMWF）合作开发的 NeuralGCM 模型，结合了传统物理模型和机器学习技术。通过融合物理建模和人工智能，NeuralGCM 提高了天气和气候预测的精度和效率。
NeuralGCM 能更快地处理大量数据，从而提供更及时的天气预报。相比传统的气候模型，NeuralGCM 在短期预报和长期运行中均表现良好。它可以再现合理的季节循环和大气环流特征，并且在长时间运行中能够产生适当数量的热带气旋，这些气旋的轨迹与现实世界中的模式相符。
NeuralGCM 模型的核心在于将通用环流模型（GCM）与神经网络结合。GCM 负责处理大规模物理现象，比如大气环流和热力学过程，而神经网络则处理像云形成和降水这样的细微特征。这种混合方法既能捕捉大气的复杂动态，又能高效处理细微的气象变化。
NeuralGCM 在计算效率和成本方面表现良好。与传统模型相比，NeuralGCM 的计算速度快了 3,500 倍，成本则低了 100,000 倍。NeuralGCM 可以在普通笔记本电脑上运行，不需要昂贵的超级计算机。
为了推动气候科学研究和技术进步，Google 将 NeuralGCM 的模型代码和权重在 GitHub 上公开，供非商业使用。
NeuralGCM 模型在短期和长期天气预报中表现良好。研究人员使用标准化的 WeatherBench 2 预测测试集对其进行了评估。在三天和五天的预测中，NeuralGCM 的表现与其他机器学习模型（如 Pangu 和 GraphCast）相当。而在十天和十五天的长期预测中，NeuralGCM 的准确性则优于现有的传统最佳模型。NeuralGCM 在预测极端天气事件方面也表现良好，成功预测了热带气旋和大气河流等不常见的天气现象。
尽管 NeuralGCM 模型在很多方面都有良好表现，但仍然有一些不足。首先，该模型有低估热带地区极端事件的倾向。其次，NeuralGCM 并未对降水进行建模，这限制了它在某些特定天气现象中的应用。