Google DeepMind 推出 WeatherNext 3：每小時預測一次，清晰度提升 5 倍

想要知道出門要不要帶傘，以前我們看天氣預報往往只能看個大概。有時預報明明說全城有雨，結果你頭頂大太陽，隔壁街區卻在下暴雨。

局地天氣變化實在太快，傳統超級計算機跑的物理數值模式往往有 6 小時的延遲，很難抓得住這種突發變化。

Google DeepMind 與 Google Research 正式釋出了新一代氣象 AI 模型 WeatherNext 3。獨立氣象評測機構 Brightband 的即時測試顯示，這是目前最先進、最準確的全球氣象模型。

更關鍵的是，它不是隻躺在論文裡的實驗品，當天就已經全面接入 Google 搜尋、Gemini 應用、Google 地圖以及 Google Earth Engine 等產品。

告別 6 小時延遲，直接吞進即時衛星資料

上一代 WeatherNext 2 和多數氣象 AI 模型一樣，訓練主要依賴傳統數值天氣預報（NWP）的輸出資料。這種物理模擬計算非常龐大，自帶 6 個小時的資料滯後，面對快速變化的雲團和降雨難免會失真。

WeatherNext 3 打破了這個瓶頸。它直接接入全球靜止氣象衛星的即時全景資料，外加地面稀疏氣象站的實測資料。

依託這些近乎即時的真實觀測，模型可以做到每小時生成一次最新的全球預報，徹底告別過去數小時的滯後期。

解析度也迎來了跨越式升級。上一代模型只能提供 25 公里網格、每 6 小時更新一次的粗顆粒度預測。而 WeatherNext 3 把地表溫度和溼度等關鍵指標的解析度直接拉高到 5 公里，整體清晰度相比上一代提升了約 5 倍。

其他地表變數達到 10 公里解析度，風速等高空大氣變數為 25 公里。對於沿海、峽谷和山地這類幾公里內天氣就會大變的地形，這種精細度意味著預報終於不再是一片模糊的色塊。

降水預測大提速，還盯上了清潔能源

在所有天氣要素裡，降水向來最難算準。雲層微物理過程尺度太小、變化太快，傳統模型算不準，以前的 AI 預報也容易畫出邊界模糊的一大片水漬。

Google 這次引入了 NASA 的 IMERG 衛星降水資料以及基於衛星雷達的全球降水再分析資料進行專門訓練。

實測對比顯示，在中期全球預報中，WeatherNext 3 在 IMERG 連續分級機率評分（CRPS）上提升最高達 60%，MRMS 對比提升 30%，早期預報對比雨量計實測也有 10% 的改善。反映在使用者端，提前一天及以上的降水預報準確度整體提升了最高 50%。

除了下雨和颳風，模型還專門針對清潔能源場景定製了輸出指標。它能直接預測離地 100 米高度的風速，這差不多正好是風力發電渦輪機的高度；同時提供高解析度雲量和地表太陽輻射量。

這讓風電場和光伏電站能更早算清接下來幾個小時能發多少度電，幫電網排程員更從容地平衡供需。

為什麼重要

我們認為，WeatherNext 3 最有價值的地方在於它徹底打破了高精度氣象預報的硬體壟斷。

在過去，只有歐美少數擁有頂級超算中心的機構，才能跑得動幾公里級別的區域數值模式。拉美、非洲和亞太很多地區受制於算力成本，長期只能用粗糙的全球低解析度資料。Google 靠衛星直讀加深度學習把全球預報拉到 5 公里級別，相當於把原本昂貴的高解析度預報變成了人人可用的基礎設施。

對普通人來說，搜尋和地圖裡的下雨提醒會準很多，週末出遊不用再看那種全城一刀切的預報；開發者也能直接通過 BigQuery 和 Earth Engine 調取逐小時資料。

從技術路線來看，跳過傳統物理模式中轉、直接從原始衛星觀測端到端學習，是一步非常聰明的棋，它避開了傳統模式的物理偏差累積。

不過這也帶來新的隱患：深度學習模型極度依賴衛星感測器本身的穩定與校準，一旦遇到歷史資料中極罕見的極端氣候黑天鵝事件，模型是否會出現物理層面的荒謬推斷，還需要更長時間的嚴苛檢驗。