预报一场台风的路径和强度，每一个小时都关乎生死。谷歌 DeepMind 与 Google Research 在 8 月 6 日宣布，其 WeatherNext 模型在气旋预报上取得突破，并同步开源了相关模型代码与权重。相关研究论文发表于《自然》（Nature）。
三天预报，做到了过去两天的水平
热带气旋——在不同海域分别被称为飓风或台风——是地球上破坏力最强的天气现象之一。过去 50 年间，全球因气旋造成的死亡人数超过 70 万，经济损失达 1.4 万亿美元。
谷歌公布的结果显示，WeatherNext 在预测气旋的路径、强度和风场结构三项指标上均达到当前最高精度水平。按平均表现衡量，该模型为预报员多争取了整整一天的有效预报时间：它的三日预报精度，相当于此前模型仅能在两日尺度上达到的水准。谷歌将这一提升幅度描述为「约等于气象学十年的进展」。
这项成果由谷歌 DeepMind 和 Google Research 的 AI 研究人员与工程师，联合美国国家飓风中心（NHC）、大气研究合作研究所（CIRA）、英国气象局以及全球多家气象机构的资深预报员共同完成。
模型已经在真实场景中发挥过作用。在 2025 年飓风季中，该模型帮助美国国家飓风中心对飓风梅丽莎（Melissa）做出了一次具有历史意义的预报——准确预测了风暴的快速增强过程及其在牙买加的登陆，使飓风中心得以提前发布预警，为地面救援团队争取到了关键的准备时间。
一个模型，同时解决两个难题
气旋预报长期存在一个技术上的两难。
风暴要往哪里走，由大尺度的全球大气环流决定，此前只能依靠分辨率较粗的全球模式来模拟；而风暴会变得多强，则取决于风眼周围高度局地化的精细热力学过程，需要专门的高分辨率局地模式来处理。两套模型各管一头，难以统一。
WeatherNext 用单一模型同时给出路径、强度和风场结构的预测，跨过了这道鸿沟。它的训练采用了两类不同的数据：一是全球天气动力学数据，二是专家整编的历史气旋观测记录。模型端到端学习了近 20 TB 全球大气数据，以及涵盖近 5000 场历史风暴的 IBTrACS 国际气旋最佳路径档案数据库。
研究团队用 2023 至 2024 年的历史气旋对模型进行了评估，将其确定性预报和概率预报能力与其他顶尖天气模型对标，包括谷歌自家的 GenCast、欧洲中期天气预报中心的 ENS 模式，以及美国国家海洋和大气管理局的飓风分析与预报系统。结果显示，WeatherNext 在路径、强度和风场结构三项上均获得了超过 24 小时的提前量优势。
生成效率方面，模型采用功能生成网络（Functional Generative Networks）来高效产出集合预报，从而捕捉天气固有的不确定性。一次 15 天预报可在一块 TPU 上于一分钟内完成，而传统的物理模式往往需要消耗数天的高性能计算资源。集合规模也在扩大：去年系统一次生成 50 个预测成员，与全球物理模式持平；今年扩展到了 1000 个，用以捕捉像梅丽莎那样罕见但后果严重的快速增强情形。
一个出乎意料的发现是分辨率。此前业界普遍认为，极高的空间分辨率是提升强度预报精度的主要驱动力，但 WeatherNext Cyclones 仅需 28×28 公里分辨率的数据，比传统模式粗了 100 倍。更小的版本 WeatherNext 2-mini 在 111×111 公里的更粗分辨率下同样表现优异。谷歌坦言，这一现象令科学家感到意外，模型为何能在如此粗的分辨率下给出高精度预测，目前仍是一个开放的研究问题。
三个版本全部开源
伴随《自然》论文的发表，谷歌开源了代码和模型权重，供任何人免费使用，涵盖学术研究、业务化预报，以及开发更具针对性的局地化模型。
此次公开的包括三套模型：在飓风季实际运行过的 WeatherNext Cyclones；后续更新并于去年 10 月投入业务运行的 WeatherNext 2；以及紧凑版 WeatherNext 2-mini——后者可在免费的公共 Colab 笔记本中，用单块 TPU 运行。最新的气旋预报结果可在 Weather Lab 上查看，该平台近期更新了界面，并在气旋路径之外扩展了全球天气预报内容。
业内人士怎么看
英国雷丁大学的汉娜·克洛克（Hannah Cloke）未参与该研究。她表示，自己从未经历过气象学领域出现比过去两年 AI 带来的更快、更剧烈的变革。「这是当下最令人兴奋的研究领域之一，原因之一就是机器学习预报的兴起，以及这个领域向前推进的速度和力度，」她说，「你出去度个假……回来就发现又有新东西出现了。」
克洛克同时强调，保持气象学专业能力依然重要。她观察到，进入这一领域的许多新人来自数据科学背景，未必具备判断模型输出是否合理所需的气象学功底。
牛津大学的蒂姆·帕尔默（Tim Palmer）则提出了另一层担忧：AI 模型可能难以预测真正反常的一次性极端事件，因为这类事件在训练数据中没有可对照的样本。他主张引入一种新的检验方式——先把历史上的此类事件从训练数据中剔除，再考察 AI 模型能否成功预测出来。「这一点我们并没有测试，」他说，「依赖一个用过去四五十年数据训练出来的 AI，可能会把我们引入歧途。」
谷歌方面在公告中提醒，官方天气预报和预警仍应以当地气象机构或国家气象部门发布的信息为准。
来源：Google DeepMind 官方博客、New Scientist、Nature
