Google WeatherNext 3：摒弃物理模拟，直接从实时卫星数据学习天气
要点
- Google 与 DeepMind 发布 WeatherNext 3，这款 AI 天气模型摒弃了传统的物理模拟，直接从实时卫星数据中学习。
- 模型可按 5 公里网格输出逐小时预报，精度是前代产品的五倍，能更准确地捕捉局部天气事件和地形细节。
- WeatherNext 3 还能生成面向可再生能源的定制数据，降水预报准确率提升最高达 50%。目前这两项功能已在 Google 搜索、地图和 Gemini 中上线。
Google Research 与 DeepMind 推出的 WeatherNext 3 抛弃了传统物理模型，直接从实时卫星数据中学习。Google 承诺其精细度提升五倍，且每小时更新。
以往的 AI 天气模型（包括 WeatherNext 2）都是基于数值天气预报（NWP）数据训练的。Google 表示，这类模拟在超级计算机上运行，存在六小时延迟，这给降雨、气温等快速变化的变量带来误差。
WeatherNext 3 则直接处理静止卫星的实时数据，基于最新观测结果每小时生成一次预报，分辨率最高可达 5 公里。对于快速发展的风暴或降水，更短的更新周期意味着更早、更准确的预测。
精细度比前代提升五倍
该模型以多种分辨率输出逐小时预报：温度和湿度为 5 公里，其他地表变量为 10 公里，风速等大气变量为 25 公里。相比以 25 公里网格、每六小时更新一次的 WeatherNext 2，精细度约提升五倍。
Google 用一张英国上空的气温预报图来说明差距：WeatherNext 2 在 25 公里分辨率下呈现的是马赛克式的地图，而 WeatherNext 3 在 5 公里分辨率下能清晰呈现局部地形。
该模型还利用单个气象站的数据进行训练，以捕捉海岸线、山谷和山脉等地形特征，从而实现更精细的全球预报，更好反映区域气候状况。Google 表示，拉丁美洲、非洲和亚太地区将从中获益最多，因为这些地区长期因传统区域模型高昂的计算成本而得不到充分服务。
更准确的降雨预报与可再生能源数据支持
全球天气模型长期以来一直难以准确预测降水，因为降雨和降雪依赖于小尺度上快速的云物理过程。Google 在两个数据源上对该模型进行了训练：一是 NASA 基于卫星的 IMERG 数据集，二是 Google 基于卫星雷达构建的全球降水分析数据。
在中期全球预报中，连续概率评分（CRPS）相比 IMERG 最高提升 60%，相比 MRMS 提升 30%，相比雨量计提升 10%（短预报时效）。WeatherNext 3 还能预测 100 米高度（约风机高度）的风速，用于估算风电场发电出力；更精准的云量和太阳辐射数据则帮助光伏电站预估发电量。Google 表示，这有助于电网运营商平衡供需。
正在 Search、Maps 和 Gemini 中全面上线
Google 每小时更新预报数据。研究人员、开发者和企业可通过 BigQuery 和 Earth Engine 查询，或从 Google Cloud Storage 批量下载。目前，WeatherNext 3 已为 Google Search、Gemini 应用、Google Maps、Maps Platform Weather API 以及 Earth Engine 提供天气功能支持。
对于提前一天以上的规划，用户将获得最高 50% 更精准的降水预报，在以往预测可靠性较低的地区提升最为显著。
Google 承认大气始终存在一定的不可预测性。针对官方预报、恶劣天气预警和安全提示，公司仍建议用户以各国气象部门发布的信息为准。
Google DeepMind 于 2025 年 11 月发布了 WeatherNext 2。该模型在 99.9% 的气象变量和预报时段上优于初代 WeatherNext，且运行速度提升八倍——单块 TPU 可在不到一分钟内处理数百个天气情景。WeatherNext 2 基于与 WeatherNext 3 相同的函数生成网络架构构建，已为 Google Search、Gemini、Pixel 天气应用及 Weather API 提供动力。
2026 年 8 月，DeepMind 以开放许可发布了 WeatherNext 2 和 WeatherNext Cyclones。其中气旋模型可以在同一系统内预测热带风暴的路径和强度，而且尽管网格精度粗了约一百倍，预测时效却比领先的业务模型多出约一天。早在 2024 年底，DeepMind 就发布了 GenCast——首个在预测性能上超越 ECMWF 集合系统的概率型 AI 天气模型。