WeatherNext攻克气旋预测

DeepMind把AI天气预报推向最难的一关

Google DeepMind近日披露了WeatherNext在热带气旋预测上的最新进展：这套AI气象模型不仅能预测气旋往哪里走，还开始更可靠地判断它会增强还是减弱，并把全球预报时效延伸至最长15天。

WeatherNext是Google DeepMind与Google Research开发的一组全球中期天气预报模型，核心目标是用机器学习生成速度更快、概率表达更完整的全球大气预测。与只输出一条确定路线的模型不同，WeatherNext能够一次生成数百种可能的天气演变，用概率回答气旋登陆地点、路径偏移和强度变化等问题。

截至2026年8月6日，Google公布的关键结果是：在使用美国国家飓风中心（NHC）2023年和2024年数据进行评估时，WeatherNext的5天气旋路径预测，平均比欧洲中期天气预报中心的主力物理集合模型ECMWF ENS更接近真实位置，距离优势超过85英里，约合137公里。

137公里并不是一个适合写在发布会海报上的抽象跑分。对于登陆前5天的飓风预警而言，这个距离可能意味着风险中心从一个城市移到另一个城市，也可能影响港口关闭、居民转移和救援物资部署的范围。

这次突破不只是“路线画得更准”

热带气旋预测是对台风、飓风等旋转风暴未来路径、强度和影响范围进行推演的任务。它长期是数值天气预报中最难处理的问题之一，因为气旋既受数千公里尺度的引导气流影响，也受几十公里甚至更小尺度的眼墙、海温和对流结构控制。

传统全球数值模式擅长描述大尺度环流，却很难以可接受的计算成本同时解析气旋内部结构。区域飓风模型可以把网格做得更细，但需要边界条件、专门初始化和大量超级计算资源，而且对快速增强、眼墙置换等过程仍可能判断失误。

WeatherNext此次真正值得关注的地方，是路径预测和强度预测开始在同一套AI体系内同时改善。此前不少AI天气模型在500百帕位势高度、温度和风场等综合指标上表现很好，但遇到热带气旋时，经常出现中心位置尚可、最大风速却明显偏弱的问题。

这种偏弱并不奇怪，因为0.25°网格在赤道附近约为28至30公里，而气旋眼墙尺度通常只有几十公里。模型如果只追求全球平均误差，最容易采用的策略就是把极端风速“抹平”，就像一张被过度降噪的照片：轮廓还在，最关键的尖锐细节却消失了。

Google披露的评估显示，WeatherNext在气旋强度方面已经能与专门面向飓风的业务模型竞争。官方没有把这描述为单纯替代某一个物理模型，而是强调其可以作为新的集合预报信号，向气象机构提供更多路径和强度情景。

WeatherNext目前有哪些模型

WeatherNext不是单一模型，而是覆盖确定性预测、生成式集合预测和高时间分辨率预测的一套模型家族。Google面向开发者公布的标准产品大致可以整理如下：

| 模型 | 预测方式 | 空间分辨率 | 标准时间间隔 | 最长预报时效 | 主要特点 | |---|---|---:|---:|---:|---| | WeatherNext Graph | 确定性预测 | 0.25°，赤道附近约30公里 | 6小时 | 10天 | 生成一条最可能的大气演变，适合常规全球预报 | | WeatherNext Gen | 生成式集合预测 | 0.25° | 12小时 | 15天 | 生成多个可能情景，重点表达极端天气风险与不确定性 | | WeatherNext 2 | 新一代概率预测 | 0.25° | 标准6小时，另有1小时实验能力 | 15天 | 可生成数百个相关情景，速度和时间分辨率进一步提升 |

WeatherNext 2是这一模型家族当前最先进的版本，其关键变化不是简单增加参数量，而是提高了生成大量一致天气情景的效率。Google表示，WeatherNext 2生成预报的速度最高可达到上一代方案的8倍，并可提供最长15天的全球预测。

单个WeatherNext 2预测在一块TPU上可以于1分钟内完成，而传统物理集合预报通常需要超级计算机运行数小时。这里不能直接把“1块TPU”和“一台超级计算机”视为同等精度下的成本换算，但数量级上的差距足以改变天气预报的使用方式。

更低的推理成本意味着机构可以增加集合成员数量，也可以更频繁地重跑模型。对于热带气旋而言，100条可能路径通常比一条看似精确的路线更有价值，因为应急部门真正关心的是“登陆这里的概率有多大”和“最坏情况是什么”。

数百条预测为何比一条答案更重要

集合天气预报是从略有差异的初始状态出发，生成多种未来天气情景的方法。大气系统具有混沌特征，观测中的微小误差可能在数天内放大，因此10天后的天气不存在一条绝对正确、可以提前计算出来的唯一轨迹。

传统集合预报主要依靠多次运行物理模型获得概率分布，但每增加一个集合成员，都要付出一次昂贵的计算成本。WeatherNext采用生成式机器学习后，可以更便宜地采样大量合理场景，并保持温度、气压、风场和湿度之间的空间相关性。

WeatherNext 2所采用的新型生成机制，重点解决的是“多条预测是否彼此一致”的问题。一个合格的全球天气情景不能只让某个点的降水数值看起来合理，它还必须让周围风场、海平面气压和高空环流共同构成符合气象规律的系统。

这种联合一致性对气旋尤其关键。气旋路径不是地图上的一根独立曲线，而是副热带高压、槽脊活动、垂直风切变和海洋热含量共同作用的结果；如果模型只生成中心坐标，却没有同步生成周围环境场，预测就很难被专业预报员信任。

WeatherNext的价值因此不在于给出一条更漂亮的“AI路线”，而在于给出一组能被业务人员理解的风险分布。例如，100个情景中有70个指向昆士兰海岸、20个转向外海、10个快速减弱，这比简单宣布“预计登陆布里斯班”更适合用于真实决策。

从回测走向真实飓风业务

WeatherNext在气旋上的进展已经不只停留在历史数据回测。Google与美国国家飓风中心开展了实验性合作，把AI生成的路径和强度情景提供给专业预报人员，但最终预警仍由气象机构结合卫星、飞机侦察、海洋观测和多套数值模式作出。

2025年的飓风Melissa成为WeatherNext进入真实业务流程的代表案例。Google后续披露，WeatherNext提供的预测帮助NHC更早判断Melissa在牙买加的历史性登陆风险，而NHC同时承担世界气象组织大西洋与东太平洋区域专业气象中心职责，服务范围涉及近30个国家。

气旋Alfred则展示了概率预测对强度变化的价值。在Alfred仍以三级气旋强度位于澳大利亚附近珊瑚海时，WeatherNext的集合平均结果提前约7天指向其快速减弱，并判断它最终可能以热带风暴级别在布里斯班附近登陆；多数集合成员也把登陆风险集中在昆士兰海岸。

这些案例比单次命中本身更重要的地方，是模型给出了可解释的概率范围。天气模型偶尔猜中一次并不难，真正困难的是在多个海盆、多个提前量和多个强度等级上保持校准，让“30%概率”在长期统计中确实接近三成发生率。

Google引用NHC年度验证报告整理的2025年业务模型结果，也显示WeatherNext在大西洋和北太平洋合并统计中的路径与强度表现具有竞争力。不过，单个年份的气旋数量有限，不同年份的风暴结构差异很大，因此现阶段仍不能把它视为长期气候条件下已经完全验证的结论。

AI模型快了，但还没有取代物理模型

WeatherNext的速度优势很明确，但“AI天气预报取代超级计算机”的说法仍然过早。机器学习模型推理时虽然不必逐步求解完整流体方程，但训练数据、初始场和业务验证仍高度依赖传统观测系统与数值天气预报基础设施。

WeatherNext的0.25°全球网格也决定了它不能直接解析气旋眼墙内部全部细节。1小时实验时间步长改善的是时间连续性，而不是把30公里空间网格自动变成1公里；时间分辨率和空间分辨率是两件不同的事。

强度预测仍将是下一阶段最难的指标。最大持续风速、最低中心气压、降水分布和风暴潮之间并不能简单互相替代，而快速增强往往与局地海洋热含量、内核对流和垂直风切变有关，这些因素在全球粗网格中很难被完整表达。

数据分布变化也是WeatherNext无法回避的问题。训练数据主要来自历史再分析和观测记录，但气候变化正在提高海温、改变大气含水量并增加部分极端事件的强度，模型是否能在历史数据之外稳定外推，需要更长时间的业务检验。

AI集合预报还必须接受概率校准，而不只是平均误差评测。如果模型生成100条路径，却有90条挤在错误方向上，那么集合数量再多也只是“高效率地产生过度自信”。对于应急管理而言，漏掉低概率、高损失情景往往比平均路径偏差几十公里更危险。

对开发者和行业意味着什么

WeatherNext正在把高质量全球天气预测从稀缺算力产品变成可嵌入业务的数据能力。Google已经通过相关云端与地理空间产品提供WeatherNext数据能力，标准预报通常以00、06、12、18 UTC为初始化时刻，每6小时更新一次，WeatherNext 2还提供1小时时间步长的实验能力。

开发者最直接的机会并不是重新训练一个全球大气模型，而是围绕预测结果构建行业决策层。航运系统可以计算不同气旋路径下的延误成本，保险平台可以评估保单暴露区域，电网系统可以按登陆概率安排抢修队伍，农业平台则可以把风雨情景转化为作物风险。

WeatherNext输出的是概率天气数据，而不是可以直接发布给公众的灾害结论。一个成熟应用还需要处理地形、人口、建筑脆弱性、风暴潮模型和当地预警规则，否则“气旋中心误差降低137公里”并不会自动转化为同等比例的损失下降。

开发者也不应只用单一确定性指标评估这类模型。除了路径平均误差，还应关注强度误差、登陆点偏差、集合离散度、概率校准、极端分位数覆盖率以及不同提前量上的稳定性。

开源的WeatherBench 2可以作为理解全球天气模型评估方法的重要入口。该项目提供统一的数据与指标体系，用于比较机器学习模型和传统数值模式，但热带气旋业务仍需要NHC等专业机构的专用验证数据，不能只看全球平均跑分。

我们的判断：这是业务突破，不是天气终局

WeatherNext此次升级最有价值的进展，是AI气象模型终于开始在热带气旋这种高风险场景中提供可用的概率信号。5天路径相对ECMWF ENS缩小超过137公里、最长15天预报、单块TPU不到1分钟生成单次预测，这三组数字共同说明，AI预报已经不再只是论文中的速度演示。

WeatherNext目前最合理的定位仍是增强专业预报体系，而不是替代专业气象机构。NHC预报员不会因为某个模型跑分领先就放弃卫星资料、侦察机数据和物理模式，但他们可以用更低成本获得数百个额外情景，并更早发现传统模型集合中的盲区。

真正的行业分水岭将是AI模型能否连续多个气旋季保持优势。一次准确预测可以成为案例，跨海盆、跨年份、跨强度等级的稳定校准，才足以成为基础设施。

WeatherNext已经跨过了“AI能不能预报天气”的阶段，下一步要回答的是“AI预测能不能被机构持续用于生死攸关的决策”。从目前公开的路径误差、业务案例和推理效率看，答案正在从谨慎观望转向有限度的肯定。

参考来源

• WeatherBench 2 官方GitHub仓库：Google Research维护的全球天气预报评估框架，可用于了解模型比较所采用的数据、指标和验证方法。
• GraphCast官方GitHub仓库：Google DeepMind上一代图神经网络天气模型的实现与论文资料，有助于理解WeatherNext的技术演进。
• NeuralGCM官方GitHub仓库：Google Research面向机器学习与物理模拟结合的全球大气模型项目，可作为理解AI气象模型技术路线的补充资料。

本文关键事件、模型参数与气旋案例依据Google DeepMind近期官方公告、WeatherNext开发者文档及美国国家飓风中心年度验证信息整理；受外链域名规则限制，正文未附相关站外链接。