2025 年 10 月，加勒比海上空聚起一团风暴。当时各家气象模型给出的判断并不一致：这团系统究竟会保持弱势、最终扫过海地，还是会迅速增强、直扑牙买加？
谷歌 DeepMind 与谷歌研究院联合开发的人工智能模型 WeatherNext 选择了后者。在登陆前五天，它以 80% 的置信度预测，这团风暴将以五级飓风的形态登陆牙买加。
结果是飓风梅丽莎（Melissa）带来了灾难性的洪水与山体滑坡。但因为这份提前量，预报员得以更早向沿途社区发出警告。这也是美国国家飓风中心（NHC）首次在风暴还只是一级强度时，就成功预判出它会升级为五级。
一天的提前量，等于十年的进步
2026 年 8 月 6 日，相关研究成果发表于《自然》（Nature）杂志。论文显示，WeatherNext 在热带气旋预报上的准确度达到了前所未有的水平：在路径、强度、风场结构三项指标上，相比现有主流业务模型平均多出至少 24 小时的预警提前量。换句话说，它提前三天给出的预报，精度相当于过去模型提前两天的水平。
研究人员表示，按照以往的节奏，把预报提前一天需要整整十年的持续攻关。
这多出来的一天意味着什么？美国国家飓风中心主任迈克·布伦南（Mike Brennan）给出的答案很直接：「哪怕只多几个小时都会有区别。」组织疏散、调配物资、把应急资源提前送到位，全都是对时间高度敏感的工作，一旦判断失误，代价极其沉重。「在这类决策上，时间是真正的黄金，能把预报精度往前推整整一天，价值非常大。」
作为参照，过去五十年间热带气旋在全球已造成超过 70 万人死亡和约 1.4 万亿美元的经济损失。
少见的样本，怎么训练模型
极端天气对机器学习本身就是个难题：模型需要大量训练数据，而极端事件按定义就是罕见的。
「气旋数据并不多，但天气数据很多。」论文第一作者之一、谷歌 DeepMind 研究科学家费兰·阿莱特（Ferran Alet）解释了团队的思路，「所以我们训练了一个既擅长常规天气、也擅长气旋的模型。」最终的训练素材包含近 20TB 的大气数据，以及 IBTrACS 数据库中近 5000 场历史风暴记录。
飓风难预测的另一层原因在于它同时涉及多个空间尺度。论文作者之一、大气研究合作研究所（CIRA）热带气旋研究组负责人凯特·马斯格雷夫（Kate Musgrave）指出：判断风暴往哪走，需要全球尺度的天气数据，比如冷锋位置和盛行风；而判断风暴会变多强，则要依赖局地的大气与海洋条件。「后面这类信息，全球模型根本给不了。」她说，早前的 AI 模型在预测路径上已经不错，「但强度这块完全不行。」
在真正投入实战之前，团队先用历史数据做了回溯测试。「结果好到让我们怀疑实时演示里根本达不到。」马斯格雷夫回忆，但预报员把模型接入实际业务流程后，表现依旧成立，「所有人都对它的实际效果感到意外。」
连开发者也解释不了的「黑箱」
真正让业界震动的，是这套模型对输入数据精度的要求低得离谱。
传统观点认为，要准确预报风暴强度，必须依赖极高的空间分辨率。而 WeatherNext Cyclones 的输入数据只有 28×28 公里的粗网格，比传统区域模型粗约 100 倍；更精简的 WeatherNext 2-mini 甚至跑在 111×111 公里的网格上，表现依然出色。
「当我们告诉同行模型只用了相对粗糙的分辨率时，他们都震惊了，因为这意味着低分辨率输入里包含的信号，比此前认为的要多得多。」阿莱特说。
至于模型究竟从粗网格里捕捉到了什么，研究者自己也答不上来。「说到底它就是个黑箱，但这给了物理学家一个信号——有些此前没被理解的东西正在发生。」
另一处关键改进是集合预报规模。模型不会只吐出一个结论，而是生成一整组可能情景，用来捕捉所谓的「蝴蝶效应」。去年每场风暴生成 50 组情景，今年已扩大到 1000 组。「以现有算力，传统数值模型根本做不到这一点。」马斯格雷夫说。一次 15 天的预报，在单块 TPU 上跑完不到一分钟。
开源，以及人的位置
谷歌 DeepMind 同时宣布，将飓风季实际运行的 WeatherNext 系列模型开源，代码与权重一并公开，托管在 GitHub 上。开放的版本包括论文对应的 WeatherNext Cyclones、后续升级的 WeatherNext 2，以及可在单块 TPU 上运行的精简版 WeatherNext 2-mini。阿莱特希望，把模型交给研究社区，能帮忙揭开气旋运行机制中尚未被理解的部分。
不过这项研究由参与开发的团队自行评估，论文合著者中包含国家飓风中心、大气研究合作研究所与英国气象局的预报员。
布伦南对这套工具的评价保持克制。他认为 DeepMind 的模型是预报员工具箱里一件很棒的新装备，但也只是众多工具之一：「没有任何保证说，某个模型因为去年表现好、或者在某场风暴上特别准，下一个季度、下一场风暴它还是最好的。」
在他看来，人的判断依旧不可替代：「一场飓风不只是一条路径或一个强度预报，它需要专家把这些数字翻译成实际影响——而真正致命的是影响本身。」
来源：WIRED、Google DeepMind 官方博客、《自然》杂志
