谷歌发布 WeatherNext 3 气象 AI 模型,5 公里分辨率预测已接入搜索与地图

深度学习重塑气象预报：WeatherNext 3 的三大技术突破

谷歌 DeepMind 和 Google Research 今天放大招了，发布了 WeatherNext 3 气象 AI 模型，这是该系列的第三代产品。谷歌高级工程师 Samier Merchant 透露，这波操作直接把 AI 气象模型的核心变量塞进了谷歌搜索、Google Maps 和 Gemini 等产品，同时通过谷歌云平台向研究者和企业用户开放。

在初创公司 Brightband 开发的 Operational WeatherBench 基准测试中，WeatherNext 3 在温度、风速、湿度等关键指标上吊打了微软、英伟达、欧洲中期天气预报中心（ECMWF）的深度学习模型，还顺便碾压了美国国家气象局和 ECMWF 的传统预报系统，成为当前最准的 AI 气象模型。

传统气象预报的瓶颈与 AI 的机遇

传统气象预报靠政府超级计算机用数学方程模拟大气物理过程，虽然准但贵且慢。2018 年 ECMWF 公开了超过半个世纪的气象数据后，深度学习研究者开始训练能更快达到相近精度的 AI 模型。

DeepMind 研究科学家 Ferran Alet 解释："天气系统是混沌的，小差异会带来大扰动。机器学习针对的是我们真正要解决的问题——从不完整信息和有限算力中逼近带有噪声的物理规律，它通过大量数据学习模式。"

WeatherNext 3 的三大核心改进

早期 AI 气象模型有三大软肋：预测分辨率太低（通常 15-25 平方公里）、降雨预测不准、以及依赖政府机构格式化数据集。WeatherNext 3 针对性地解决了这些问题：

1. 5 公里分辨率预测：在关键变量上能实现 5 公里级精度，远超上代的 15-25 公里范围，这对城市级天气预报至关重要。

2. 降雨预测提升 60%：相比 WeatherNext 2，降雨预测准确度提升了 60%，还能提供每小时更新的预报（传统模型通常每 6 小时更新一次）。

3. 直接接入原始观测数据：模型能实时摄取卫星每小时采集的原始观测数据。谷歌称这是"首个"直接整合原始观测数据用于高分辨率全球预报的 AI 模型，不过气象初创公司 WindBorne 指出其 WeatherMesh 6 模型自 2025 年底已在使用气象气球等原始数据；谷歌回应称其全球预报分辨率更高。

技术架构的关键选择

WeatherNext 3 的参数量是前代的 2.4 倍，并针对解码器头部（decoder heads）进行了定制化优化。研究团队不仅训练模型输出传统的 3D 网格平均指标（此前已因可视化气旋路径获得认可），还让模型针对特定气象站点进行预测——例如预测丹佛机场气象站的每小时数据。

Brightband 大气科学家 Daniel Rothenberg 评价："AI 应用的理念是尽可能端到端地运行任务。让模型直接预测特定气象站的测量值，将预报任务与核心目标更紧密地连接起来。"这不仅提供了更精细的预测，也便于用实测数据验证模型表现。

从实验室到产品：AI 气象的商业化与社会价值

虽然大语言模型（LLM）吸引了公众眼球，但 Transformer 架构在气象学的革命同样深远。欧美气象机构已将 AI 模型纳入预报产品，其速度快、成本低的特点有望为缺乏高质量传感器和超算的贫困地区带来经济效益。比尔·盖茨近期将 AI 驱动的气象预报列为该技术的关键收益，认为更准确的预报能提升发展中国家的作物产量。

Alet 表示，更高分辨率的风速、降雨和云量预报将使可再生能源项目更可靠。"归根结底，谷歌的使命是为用户提供有用信息，而用户需求在很大程度上与天气相关。"

中国用户注意：目前 WeatherNext 3 通过谷歌云平台开放，但谷歌搜索、地图等产品在中国大陆不可用。国内 AI 气象领域，通常由中国气象局及科研机构主导，商业化应用尚处早期阶段。

本文基于 TechCrunch 报道, 由 AiDuo123 AI 编辑翻译改写。原文链接: https://techcrunch.com/2026/09/03/googles-latest-ai-weather-model-gives-you-no-excuse-to-forget-your-umbrella/