WeatherNext 登 Nature：气旋预测多抢 24 小时预警，三天精度追平两天

2026 年 8 月 6 日，Google DeepMind 在发表 AI 气象模型 WeatherNext Cyclones（WN-C），该模型在预测热带气旋的路径（track）、强度（intensity）和风场结构（wind radii）三项核心指标上均达到最先进水平。相比当前领先的业务化模型，WeatherNext 平均为预报员多争取了 ——其三天预测的精度，已追平此前模型仅能维持两天的水平。研究团队将这一跃升称为"相当于气象学过去十年的进步"。

这一成果由 Google DeepMind 与 Google Research 联合美国国家飓风中心（NHC）、科罗拉多州立大学大气合作研究所（CIRA）及英国气象局（UK Met Office）共同完成，论文署名作者超过 30 人。模型已在 2025 年飓风季投入实战，并在论文发表同日。

论文信息

论文标题：Operational Tropical Cyclone Forecasting with AI
论文链接：
DOI：10.1038/s41586-026-10953-2
开源地址：（代码与模型权重均已开放）
核心成绩：热带气旋路径、强度和风场结构预测平均获得 24 小时以上提前量优势，三天预测精度追平此前模型的两天水平

28 公里网格下的强度预测：粗分辨率也能抓信号

气象学界长期存在一个共识：要准确预测气旋强度，必须使用高空间分辨率的区域模型，以捕捉台风眼壁附近的精细热力学过程。WeatherNext Cyclones 挑战了这个假设。

该模型仅使用 28×28 公里的网格输入，分辨率比传统区域模型粗约 100 倍。更值得注意的是，其轻量版本 WeatherNext 2-mini 在 111×111 公里的更粗分辨率下同样表现出色。Google DeepMind 在官方博客中写道，这一现象"令科学家感到惊讶，目前仍是一个开放的研究问题"——粗分辨率大气数据中包含的强度信号，远比此前认知的丰富。

模型的能力来自三个关键设计。第一，双模态协同训练：WeatherNext 同时在 ERA5 全球大气再分析数据（约 20TB）和历史热带气旋观测数据库 IBTrACS（涵盖近 5,000 场历史风暴）上进行端到端训练，既学习全球环流模式，也学习极端天气的局地特征。第二，功能生成网络（Functional Generative Networks, FGNs）：该方法通过建模认知不确定性（epistemic uncertainty）和偶然不确定性（aleatoric uncertainty），高效生成概率集合预报，单次 15 天预报在 TPU 上耗时不到一分钟。第三，超大集合规模：2025 年飓风季期间模型每次生成 50 条预报轨迹，2026 年已扩展至 1,000 条，大幅提升了对快速增强（rapid intensification）等低概率、高影响事件的捕捉能力。

这类似于一个学生同时研读气候学教材和五十年间每一场飓风的详细档案——前者建立大气动力学的基本直觉，后者提供极端个例的模式识别能力，两者结合使得模型在远低于传统分辨率的数据上就能提取出强度变化的信号。

三天精度追平两天，一次迭代跨越十年进步

研究团队以 2023–2025 年全球热带气旋为评估对象，将 WeatherNext Cyclones 的确定性和概率性预测与多项领先业务模型进行了系统对比。

在路径预测（track）上，WeatherNext 的三天位置误差与欧洲中期天气预报中心集合预报系统（ECMWF-ENS）的两天误差相当。在强度预测（intensity）上，模型的三天最大风速误差追平了 NOAA 飓风天气研究与预报模型（HWRF）和飓风分析与预报系统（HAFS）的两天水平。风场结构（wind radii）的预测同样实现了约一天的提前量增益。

综合来看，WeatherNext 在路径、强度和风场半径三个维度上均实现了平均超过 24 小时的提前量优势。研究团队将这一进步与 ECMWF-ENS 路径预报和 HWRF 强度预报过去 20 年的历史改进曲线对比后得出结论：一次模型迭代就跨越了业务化预报约十年累积的进步幅度。

另一个重要信号来自集合预报。Nature 论文摘要指出，将 WeatherNext 的预测纳入加权平均共识集合（consensus ensemble）后，整体预报技巧显著提升。1,000 成员的超大集合相比传统 50 成员集合，能更有效地刻画快速增强等极端尾部风险的概率分布——这正是 2025 年 Hurricane Melissa 预报中的关键能力。

提前五天，八成置信度：Hurricane Melissa 的实战检验

模型在 2025 年大西洋飓风季已投入实战运行，最突出的案例是 Hurricane Melissa。

2025 年 10 月，加勒比海上空一个风暴系统正在组织。多家模型对其路径存在分歧——是维持弱强度进入海地，还是快速增强后袭击牙买加？WeatherNext 选择了后者。据，在登陆前五天，WeatherNext 以 80% 的置信度预测该风暴将以 Category 5 强度在牙买加登陆。NHC 据此提前发布预警，为地面应急响应争取了关键时间窗口。Melissa 最终以 Category 5 强度在牙买加登陆。

这一案例在 Nature 论文中被作为模型对快速增强事件预测能力的典型证据。2026 年飓风季，Google DeepMind 与 NHC 的合作进一步深化——WeatherNext 当前为每个气旋生成 1,000 条可能的预报情景，帮助预报员在决策时更全面地评估概率分布，而非依赖单一"最佳路径"判断。

一次开源三个模型：代码、权重、Colab 全部开放

与 Nature 论文同步，Google DeepMind 宣布开源 WeatherNext 系列模型的代码和权重。此次发布包含三套模型：

WeatherNext Cyclones：论文中评估的气旋专项模型，在 2025 年飓风季运行；
WeatherNext 2：2025 年 10 月业务化投产的升级版本，提供全球逐小时天气预报；
WeatherNext 2-mini：轻量版本，可在单块 TPU 上运行，已提供免费的，研究者无需自有大规模算力即可复现和定制。

所有模型均已在 GitHub 上以开源协议发布。DeepMind 表示，开源的目标是赋能各国气象机构、研究者和非营利组织——特别是算力有限地区的气象部门——使其能够基于本地数据微调模型，服务于区域性极端天气预警。

公众可通过交互式网站查看 WeatherNext 对当前活跃气旋的实时预报，包括路径概率、强度演变和风场分布。Weather Lab 近期完成界面升级，已将全球天气预报与气旋追踪整合至同一视图。WeatherNext 模型本身也已集成至 Google Earth AI 平台、Gemini Enterprise Agent Platform、BigQuery 和 Google Earth Engine，供企业和研究者进行二次开发。

气象学家的分歧：速度惊人，但"黑天鹅"仍是隐忧

英国雷丁大学水文气象学家 Hannah Cloke 对表示，她"从未经历过比过去两年 AI 对气象学冲击更快、更剧烈的变革"，并描述道："你休假一周……回来就发现又发生了新的事情。"她也指出，大量数据科学背景的新人涌入气象 AI 领域，但缺乏气象学训练可能带来风险——"你需要气象学背景来判断模型输出的结果是否合理。"

牛津大学气候物理学家 Tim Palmer 则从更根本的层面对 AI 气象模型提出了质疑。他认为，依赖历史数据训练的 AI 模型在遭遇训练集中从未出现过的"黑天鹅"事件时可能失效——而气候变化恰恰在使极端天气模式变得更加不可预测。他主张建立一种新型测试：将特定历史极端事件从训练数据中剔除，再检验 AI 模型是否能成功预测该事件。"我们不测试这一点，"Palmer 警告说，"依赖一个在四五十年历史数据上训练的 AI，可能会把我们引入歧途。"

Palmer 的另一个关切指向气候建模与天气预报之间的代码共享关系——两者共享约 90% 的代码基础。如果气象业务全面转向 AI 模型而放弃基于物理的数值模式，气候预测能力也将遭受连带损害。"代码几乎是一模一样的，"他说，"如果我们开始丧失用物理模型做天气预报的能力，气候预测也会跟着受损。"

Google DeepMind 团队在博客中对此保持了科学审慎的态度，明确表示模型在 28 公里粗分辨率下取得出色表现的原因"仍是一个开放的研究问题"，并邀请学术界共同探索。Ferran Alet（论文共同通讯作者）在接受 New Scientist 采访时也坦承，由于学术发表周期较长，论文中报告的模型已经落后于 DeepMind 当前内部迭代的版本。

参考链接

(DOI: 10.1038/s41586-026-10953-2)