DeepMind 开源气象模型 WeatherNext：气旋预测领先一天，分辨率却低 100 倍

2026 年 8 月 6 日，Google DeepMind 在《Nature》发表论文，宣布其 AI 气象模型 WeatherNext 在热带气旋的路径、强度和风场结构预测上均达到 state-of-the-art 水平。核心数字：平均多出 24 小时预警窗口，三天的预测质量相当于此前模型两天的水平。DeepMind 称这一跃升"约等于十年气象学进步"。代码和模型权重同步开源。

五个数字看懂 WeatherNext 的突破

1. 24 小时：相比 2023-2024 年主流业务模型，WeatherNext 在气旋路径、强度和风场结构三项指标上的平均领先时间超过一天。对疏散和应急部署而言，这个窗口不是统计优势，是行动时间。

2. 28 公里：WeatherNext Cyclones 的输入分辨率为 28×28 公里，比传统区域模型粗糙约 100 倍。更小的 WeatherNext 2-mini 在 111×111 公里分辨率上依然表现良好。论文明确指出高分辨率并非强度预测的硬性前提。这在气象学界是一次认知冲击。

3. 1,000 个集合成员：模型一次运行可产出 1,000 条"平行宇宙"预测。2025 年飓风季时系统仅产出 50 条，今年扩大 20 倍，专门捕捉类似 Hurricane Melissa 的快速增强事件这类低频但致命的情景。

4. 20 TB 训练数据：模型在约 20 TB 的全球大气再分析数据与 IBTrACS 历史气旋数据库（覆盖近 5,000 场历史风暴）上端到端联合训练，同时学习全球环流模式与极端天气动力学。

5. 不到 1 分钟：在单个 TPU 上完成一次 15 天预报。对比传统数值模型动辄数小时的计算开销，这个速度让大规模集合预报从奢侈变为标配。

路径和强度，终于不用二选一

热带气旋预测长期存在一个令人沮丧的权衡：全球大尺度模型擅长判断气旋"往哪走"（路径），但分辨率不足以捕捉驱动气旋引擎的小尺度热力过程；高分辨率区域模型能更准确判断"有多强"（强度），却缺乏全球背景导致路径偏差。一个模型通常只能做好其中一件事。

WeatherNext 用一个单一 AI 模型打破了这个僵局。模型采用 Functional Generative Networks（FGN）架构，从相同的全球大气初始条件出发，同时输出网格化的全球天气状态和细粒度的气旋轨迹，无需在路径和强度之间牺牲任何一端。

Nature 论文中展示的历史回测对比显示，WeatherNext 的 3 天气旋路径预测误差已经追平传统模型 2 天前的水平；在强度预测上，同样将准确率推进了一个完整的天数。这种双线并进的全面领先，此前没有任何单一模型做到过。

论文合著者来自 Google DeepMind、Google Research 以及多家业务预报机构：美国国家飓风中心（NHC）、大气研究合作研究所（CIRA）和英国气象局。这些每天签发预警的预报员直接参与了模型调优的全过程。

28 公里分辨率为什么够用？

WeatherNext 的输入分辨率仅 28 公里，对比传统飓风模型动辄 2 到 3 公里的网格。这看起来像一个矛盾：气旋核心的热力过程发生在几公里量级，28 公里的网格凭什么捕捉？

论文没有给出完整的理论解释，而是坦率地将其标注为一个"开放研究问题"。但有两个事实值得注意。第一，WeatherNext 的训练策略是端到端的。它不是在先预测全球环流、再降尺度到气旋的两阶段流水线上工作，而是从训练信号开始就将全球大气变量和 IBTrACS 气旋轨迹标注联合输入，让模型自己发现跨尺度的统计关联。第二，FGN 的概率建模特性让模型天然适合处理不确定性。它不是猜测 28 公里网格内发生了什么，而是输出一个概率分布来量化它对"里面可能有什么"的不确定性。

编辑观察：这个现象与 NLP 领域的 scaling law 有微妙呼应。足够的数据规模和模型容量可以部分弥补输入粒度的不足。WeatherNext 的案例说明，当训练数据覆盖了足够多的风暴历史（近 5,000 场），模型可能学会从粗糙的大气状态信号中提取强度变化的"指纹"，而不需要显式地模拟每公里的大气运动。

从 50 到 1000：为什么要跑一千个"平行宇宙"

气象预测本质上是一个概率问题。单一的"最佳猜测"往往给决策者一个虚假的确定感，尤其当它错了的时候。

WeatherNext 使用 FGN 生成集合预报：不是跑一次，而是跑 1,000 次，每次引入不同的随机种子来模拟大气固有的不确定性。2025 年飓风季期间系统运行 50 条集合，今年扩展到 1,000 条。为什么需要这么多？

快速增强（rapid intensification）是气旋在 24 小时内风速飙升超过 35 英里/小时的现象。它不常发生，但一旦发生就是灾难性的。50 条集合可能给出"95% 概率维持当前强度"的判断，1,000 条集合则可能揭示那 5% 的惊悚情景中隐藏着连续 3 条快速增强信号，且它们共享了某种相似的初始条件扰动模式。对值班预报员来说，看到 1,000 条中即使只有 30 条指向快速增强，也可能改变他们签发预警的阈值。

单个 15 天预报在 1 个 TPU 上耗时不到 1 分钟。1,000 条集合可以在一小时内跑完。对于飓风预警的时间尺度，这个计算成本完全落在可操作范围内。

Melissa 的真实考场

2025 年 10 月，飓风 Melissa 在牙买加以五级飓风强度登陆，成为有记录以来登陆牙买加的最强飓风，也是大西洋历史上并列最强飓风。更关键的是它的预报过程：这是人类历史上第一次，一个从一级风速起步、后来被成功预测为五级的飓风。

当 Melissa 还是弱热带低气压时，传统模型的判断摇摆不定：可能以弱系统袭击海地，也可能走向牙买加。WeatherNext 在登陆前五天就以 80% 的置信度预测了牙买加的五级登陆，提前三天时置信度升至接近 100%。

NHC 主任 Michael Brennan 在 DeepMind 博客中写道："热带风暴和飓风在结构和强度上变化极快，这使它们比其他天气系统更难预测。"Melissa 的案例证明，AI 模型与人类预报员的判断结合，可以在最关键的时刻抢出宝贵的反应时间。

牙买加气象局首席主任 Evan Thompson 的描述更直白："提前疏散和更充分的准备所带来的伤害减少，确实对我们的民众产生了实质影响。它确实挽救了生命，也保全了他们想要守护的生计。"

2025 年整个飓风季结束后，NHC 年度验证报告将 WeatherNext 列为路径和强度预测中表现最佳的单体模型。2026 年飓风季，WeatherNext 将继续作为 NHC 预报指导产品套件的一部分运行。

当气象 AI 开始跑赢传统模型的"天花板"

WeatherNext 的 Nature 论文发表并非孤立事件。2023 年 DeepMind 的 GraphCast 在《Science》上以 90% 的指标超越 ECMWF HRES；2024 年 GenCast 在《Nature》上以 96% 的指标超越 ECMWF ENS；2025 年 WeatherNext 2 上线并集成进 Google 搜索、Gemini 和 Pixel Weather 等消费产品。这次 Nature 论文在气旋预测这个细分赛道上的突破，完成了从"通用天气预报超越传统模型"到"极端事件预测全面领先"的关键一跳。

同期，欧洲中期天气预报中心（ECMWF）已在其业务系统中引入 AI 模型组件，NVIDIA 的 FourCastNet 和华为的盘古气象模型也在快速迭代。气象 AI 的竞争格局正在从"谁发论文"转向"谁的模型在真实预报中值班"。

社交平台反应：

• voxium（开发者）："几年前每当有人谈论 ML/AI 解决人类问题时，我想到的就是这种东西。真正能救人的技术。哪怕 LLM 投入的钱有一小部分流向这类领域，会产生怎样的影响？"

• Jake（企业 AI 部署专家，Austin）："这个平台上几乎所有关于 AI 的讨论都是关于我们能直接互动的东西——agent、本地模型、聊天机器人——但真正撬动社会的，会是科学和医学领域的幕后进步。"

• sidelined_cap（投资人，Tokyo）："24 小时足够调动大巴，而不只是在地图上更新一个圆锥。"

• olegshulga（Iluvora 创始人）："多出的 24 小时不是更好看的 benchmark，是疏散路线、医院容量和明天还能醒来的人。"

• Evan Kirstel（科技博主，38 万粉丝）："多一天预警在重大风暴中确实意义重大。重要的下一步是把这些预报送进地方应急系统，而不只是发更好的 benchmark 数字。"

• vsaietta（开发者）："值得注意的还有他们开源了权重。气旋预报正是开源最能帮到忙的案例。那些跑不起大模型的区域气象机构，不需要算力预算也能获得精度。"

• edgex11lz（EdgeX11 创始人）："路径预测这些年进步很大，但强度预测一直落后。好奇这 24 小时优势在路径和强度上是否均匀分布，还是主要来自路径。"

开源之后，谁会最先拿到这 24 小时？

DeepMind 这次开源了三套模型：WeatherNext Cyclones（论文所用版本）、WeatherNext 2（2025 年 10 月业务化版本）和 WeatherNext 2-mini（可在免费 Colab notebook 上运行的紧凑版）。代码和权重均已发布在 GitHub。

开源的意义在气旋预测领域尤其突出。大多数受热带气旋威胁的国家没有能力自研或运行大型数值天气预报系统。它们依赖少数几个全球预报中心（NHC、ECMWF、JMA 等）下发的产品。一个能在单块 TPU 上跑的高精度模型，以及更需要算力的 Cyclones 版本在云端或本地集群上部署后，理论上可以让菲律宾气象局（PAGASA）、台湾中央气象署（CWA）、印尼气象局（BMKG）和越南气象局（VNMHA）等机构获得与 NHC 同等水平的预测能力。DeepMind 在博客中确认，他们已经在与这些机构开展研究合作。

但这里有三个变量。其一，模型输入依赖全球初始条件（ECMWF 或 NOAA 的分析场），这意味着下游使用仍然需要上游数据基础设施的支持。其二，模型虽然开源，但训练数据的规模和预处理流程的复杂性意味着"从零复现"对大多数机构并不现实。实际使用场景更可能是微调或直接运行已发布的权重。其三，1,000 条集合的决策价值，只有在预报员被培训如何解读概率输出而非单一确定性预报的前提下才能兑现。

编辑观察：开源让模型使用权与机构预算脱钩，这是气象平权的重要一步。但使用权不等于使用能力。最难的不是下载权重，是把 1,000 条集合中那条"有 3% 概率发生"的灾难情景翻译成"需要签发撤离令"的判断，以及为这个判断承担政治和法律责任。

参考链接：

• Nature 论文与博客: deepmind.google/blog/weathernext-ai-model-achieves-breakthrough-in-forecasting-cyclones/
• Google Blog: blog.google/innovation-and-ai/models-and-research/google-deepmind/weathernext-2-cyclones/
• Weather Lab: deepmind.google.com/science/weatherlab/
• GitHub: github.com/google-deepmind/weathernext
• Hurricane Melissa 回顾: deepmind.google/blog/how-weathernext-helped-the-national-hurricane-center-better-predict-hurricane-melissas-historic-landfall-in-jamaica/
• NHC 2025 验证报告: nhc.noaa.gov/verification/