DeepMind WeatherNext：AI 预测飓风再进一步，比传统模型多赢得一天预警时间

原文来源：Google DeepMind — WeatherNext 模型在飓风预测上达到 SOTA 精度，为预报员平均多争取一天预警时间，模型现已开源。

热带气旋——也就是我们常说的飓风、台风——是地球上破坏力最强的天气现象之一。过去 50 年里，它们在全球造成了超过 70 万人死亡和 1.4 万亿美元的经济损失。对气象预报员来说，每一次准确预警都是一场与时间的赛跑，每多一小时准备时间，就意味着更多人可以提前撤离。

8 月 6 日，Google DeepMind 在《Nature》上发表论文，展示了其 WeatherNext 模型在飓风路径、强度和风场结构预测上的突破性表现。论文给出的结论非常直接：平均而言，WeatherNext 的三天预报精度，相当于传统模型两天的水平——也就是说，预报员凭空多出了一整天的预警时间。按照气象学过去 20 年的进步速度推算，这一跨越大致相当于十年的行业进展。

这个成果是 Google DeepMind、Google Research 与美国国家飓风中心（NHC）、大气研究合作研究所（CIRA）、英国气象局等多家机构合作的结果。而且它已经在实战中接受过检验：2025 年飓风季，WeatherNext 帮助 NHC 对飓风梅丽莎做出了历史性的预报，成功预测了它的快速增强和登陆牙买加的路径，让当地团队提前拿到了宝贵的准备时间。

一个模型解决两种尺度的难题

预测飓风一直以来都面临一个两难：飓风的路径（往哪走）由大尺度的全球大气环流决定，这适合用较粗粒度的全球模型来模拟；而飓风的强度（多强）由核心区域高度局部的细尺度热力学过程决定，这需要专门的高分辨率局部模型。过去，这两类模型是分开跑的。

WeatherNext 的核心突破在于，它用一个统一的模型同时搞定两件事——既提升全球天气预报精度，又精确预测飓风的路径、强度和风场结构。训练方式也相当特别：模型在两种数据模态上联合训练，一是近 20 TB 的全球大气数据，二是 IBTrACS 历史飓风数据库里近 5000 场风暴的专家标注记录。

最让人意外的是分辨率。一直以来，行业共识是"更高分辨率才能更准确预测强度"，但 WeatherNext Cyclones 只需要 28×28km 分辨率的输入，比传统模型粗了整整 100 倍。它的缩小版 WeatherNext 2-mini 甚至只工作在 111×111km 的分辨率上，表现依然出色。为什么这么粗的输入也能做出这么准的预测，目前还是个开放的科研问题，DeepMind 希望和研究社区一起找到答案。

从 50 个集合到 1000 个集合

WeatherNext 使用了一种叫 Functional Generative Networks（FGN）的架构来高效生成预测集合，从而刻画天气固有的不确定性。去年系统一次跑 50 个预测，已经能匹敌全球物理模型；今年他们把集合规模扩大到了 1000 个成员，专门用来捕捉那些罕见但后果严重的尾部风险场景——比如飓风梅丽莎那样的快速增强事件。

在单张 TPU 上，生成一个 15 天的预报用时不到一分钟。预报员可以快速评估潜在灾难性风险的完整概率分布，而不必像过去那样在几套模型结果之间人工权衡。

论文的基准测试覆盖了 2023 到 2024 年的历史飓风。WeatherNext Cyclones 在路径、强度、风场结构三项指标上全面领先：路径预测的三年期误差约 100 公里，而 ECMWF 的 ENS 集合明显更高；强度误差约 11 节（kt），显著低于 HWRF 模型。三条误差曲线的差距，在五天的预报窗口内持续保持。

全部开源，附送 Colab 演示

与论文同步，DeepMind 在 GitHub 上开源了全部代码和模型权重，任何人都可以自由使用——无论是做学术研究、部署运营级预报，还是开发更专业化的局部模型。这次发布包含两套模型：实际参与 2025 飓风季运行的 WeatherNext Cyclones，以及 10 月投入运营的更新版 WeatherNext 2，外加一个能跑在单张 TPU 上的紧凑版 WeatherNext 2-mini，官方提供了免费的 Colab notebook 可以直接上手。

如果你想直观感受它的预报能力，DeepMind 还更新了 Weather Lab 可视化页面，现在可以看到全球范围的温度、降水、风速预测和飓风路径，两者叠加在一个视图里。

为什么这件事值得关注

对普通读者来说，"AI 预报天气"听起来不如"AI 写代码"性感，但它的实际价值可能更大。气象预报是少数几个"每提升一点精度都直接换算成人命和财产"的领域——多一天预警，沿海城市就能多完成一整轮疏散。而且这次的成果还叠加了两层意义：一是 AI 在科学计算上的又一个落地样本，证明生成式模型不只是聊天和画图；二是开源让全球中小气象机构都能用上顶级预报能力，而不是只有大国气象局才玩得起。

当然，论文也留了不少尾巴：为什么粗分辨率下精度依然出色？FGN 架构能否推广到其他极端天气（暴雨、热浪）的预测？WeatherNext 2 在更长时间尺度上的表现如何？这些问题的答案，可能会在未来几年陆续揭晓。