Google DeepMind 推出 WeatherNext 3：每小时预测一次，清晰度提升 5 倍

想要知道出门要不要带伞，以前我们看天气预报往往只能看个大概。有时预报明明说全城有雨，结果你头顶大太阳，隔壁街区却在下暴雨。

局地天气变化实在太快，传统超级计算机跑的物理数值模式往往有 6 小时的延迟，很难抓得住这种突发变化。

Google DeepMind 与 Google Research 正式发布了新一代气象 AI 模型 WeatherNext 3。独立气象评测机构 Brightband 的实时测试显示，这是目前最先进、最准确的全球气象模型。

更关键的是，它不是只躺在论文里的实验品，当天就已经全面接入 Google 搜索、Gemini 应用、Google 地图以及 Google Earth Engine 等产品。

告别 6 小时延迟，直接吞进实时卫星数据

上一代 WeatherNext 2 和多数气象 AI 模型一样，训练主要依赖传统数值天气预报（NWP）的输出数据。这种物理模拟计算非常庞大，自带 6 个小时的数据滞后，面对快速变化的云团和降雨难免会失真。

WeatherNext 3 打破了这个瓶颈。它直接接入全球静止气象卫星的实时全景数据，外加地面稀疏气象站的实测数据。

依托这些近乎实时的真实观测，模型可以做到每小时生成一次最新的全球预报，彻底告别过去数小时的滞后期。

分辨率也迎来了跨越式升级。上一代模型只能提供 25 公里网格、每 6 小时更新一次的粗颗粒度预测。而 WeatherNext 3 把地表温度和湿度等关键指标的分辨率直接拉高到 5 公里，整体清晰度相比上一代提升了约 5 倍。

其他地表变量达到 10 公里分辨率，风速等高空大气变量为 25 公里。对于沿海、峡谷和山地这类几公里内天气就会大变的地形，这种精细度意味着预报终于不再是一片模糊的色块。

降水预测大提速，还盯上了清洁能源

在所有天气要素里，降水向来最难算准。云层微物理过程尺度太小、变化太快，传统模型算不准，以前的 AI 预报也容易画出边界模糊的一大片水渍。

Google 这次引入了 NASA 的 IMERG 卫星降水数据以及基于卫星雷达的全球降水再分析数据进行专门训练。

实测对比显示，在中期全球预报中，WeatherNext 3 在 IMERG 连续分级概率评分（CRPS）上提升最高达 60%，MRMS 对比提升 30%，早期预报对比雨量计实测也有 10% 的改善。反映在用户端，提前一天及以上的降水预报准确度整体提升了最高 50%。

除了下雨和刮风，模型还专门针对清洁能源场景定制了输出指标。它能直接预测离地 100 米高度的风速，这差不多正好是风力发电涡轮机的高度；同时提供高分辨率云量和地表太阳辐射量。

这让风电场和光伏电站能更早算清接下来几个小时能发多少度电，帮电网调度员更从容地平衡供需。

为什么重要

我们认为，WeatherNext 3 最有价值的地方在于它彻底打破了高精度气象预报的硬件垄断。

在过去，只有欧美少数拥有顶级超算中心的机构，才能跑得动几公里级别的区域数值模式。拉美、非洲和亚太很多地区受制于算力成本，长期只能用粗糙的全球低分辨率数据。Google 靠卫星直读加深度学习把全球预报拉到 5 公里级别，相当于把原本昂贵的高分辨率预报变成了人人可用的基础设施。

对普通人来说，搜索和地图里的下雨提醒会准很多，周末出游不用再看那种全城一刀切的预报；开发者也能直接通过 BigQuery 和 Earth Engine 调取逐小时数据。

从技术路线来看，跳过传统物理模式中转、直接从原始卫星观测端到端学习，是一步非常聪明的棋，它避开了传统模式的物理偏差累积。

不过这也带来新的隐患：深度学习模型极度依赖卫星传感器本身的稳定与校准，一旦遇到历史数据中极罕见的极端气候黑天鹅事件，模型是否会出现物理层面的荒谬推断，还需要更长时间的严苛检验。