DeepMind 登 Nature 并开源 WeatherNext：台风预报多出 24 小时，相当于气象学十年进步
2025 年飓风季，美国国家飓风中心（NHC）的预报员们盯着一场风暴的路径图，做出了一个此前不敢想的判断：飓风 Melissa 将快速增强，并登陆牙买加。提前 5 天，他们拿到了一份五级登陆的预判，置信度 80%（Google DeepMind 官方 X 账号披露）。
给出这份预判的不是传统数值模型，而是 DeepMind 的 AI 模型 WeatherNext。8 月 6 日，相关论文发表于《Nature》，模型代码与权重同日开源。
背景：台风预报为什么这么难
先讲清楚问题本身。热带气旋是地球上破坏力最强的天气现象之一：过去 50 年，全球超过 70 万人因此丧生，经济损失达 1.4 万亿美元（Nature 论文与 DeepMind 博客数据）。
预报台风的难点在于一个两难：路径由宏大的全球大气环流主导，适合用粗粒度的全球模型刻画；强度则由台风核心区细尺度的热力过程决定，需要高分辨率的局地模型。传统做法是两套模型分工，各管一半，而台风恰恰是"路径和强度互相影响"的复杂系统。DeepMind 的原话是：这个两难长期迫使预报在两种建模技术之间做取舍。
AI 天气预报也不是新赛道。DeepMind 2023 年发布 GraphCast，用图神经网络做全球天气预测；2024 年发布 GenCast，把生成式方法引入集合预报，论文同样登上《Nature》。WeatherNext 是这条线的第三代：一个模型，同时预测路径、强度与风场结构，把此前"全球粗模型管路径、局地细模型管强度"的分工合二为一。Melissa 案例正是这套思路的实战验证。
核心：多出的一天，与反直觉的粗分辨率
论文的关键结论是一个朴素的数字：平均多出 24 小时。WeatherNext 的三天预报精度，相当于此前最优模型两天的水平——也就是"提前量"整整多了一天。DeepMind 给出的换算更直观：这一进步幅度，大致相当于约十年的气象学进步（官方博客原话）。
支撑这个结论的是一组年度对比（博客图 3）：2023—2025 年，WeatherNext Cyclones 的 3 天路径误差比欧洲中期天气预报中心的 ENS 集合低约 100 公里，强度误差比美国业务模式 HWRF 低约 11 节。三个指标——路径、强度、风场——全线占优。
最反直觉的是输入分辨率。传统高精度强度预报依赖 2 公里级的细网格，而 WeatherNext Cyclones 只需要 28×28 公里的全球数据——比传统模式粗了约 100 倍。更小的 WeatherNext 2-mini 版本用 111 公里分辨率，表现同样出色。DeepMind 坦承：为什么这么粗的输入能做出这么准的预报，“仍是一个开放的研究问题”。
训练数据同样值得记录：约 20TB 全球大气再分析数据，加上 IBTrACS 历史风暴数据库——近 5000 场真实台风的观测记录，端到端联合训练。模型用 Functional Generative Networks（FGN，生成式函数网络，论文 arXiv:2506.10772）批量产出预报集合：与传统集合预报"跑很多次数值模拟"不同，FGN 用神经网络直接生成一组函数表示，天然适合表达"多种可能天气"的概率分布。单次 15 天预报在 TPU 上耗时不到一分钟；集合规模从去年的 50 成员扩到今年的 1000 成员，用来覆盖快速增强这类罕见但致命的场景。
时机：赶在飓风季高峰之前
选在 8 月初开源，时机本身也是信息。8 月正值北半球飓风与台风季的高峰期——过去半个世纪里，多数造成重大伤亡的热带气旋都发生在 8 到 10 月。在这个时点把权重交出去，意味着新模型赶在下一个 Melissa 到来之前，就到了全球预报员与研究者手里。
从去年的 50 成员到今年的 1000 成员，WeatherNext 的每次迭代都踩在真实灾害季的节奏上：用上一个飓风季暴露的问题训练，在下一个飓风季来临前发布。这是一条"用真实灾害季打磨模型"的研发节奏，与实验室里跑基准测试的节奏完全不同。官方博客还提到，去年这套系统就已经在为 NHC 提供实时支持——模型不是论文里的演示，而是已经坐在了业务席位上。
深度分析一：1000 个成员的集合，赌的是"尾风险"
预报圈有个共识：台风最致命的不是平均误差，而是极端个例。一次"快速增强"（24 小时内强度跳升两三个等级）足以让所有按常规准备的防御失效。Melissa 就是典型——它的增强速度让传统模式集体滞后，而 WeatherNext 提前 5 天给出了 80% 置信度的五级登陆预判，NHC 据此发布了历史性的提前预警，为牙买加的地面准备争取了时间（DeepMind 官方博客与 NHC 2025 年验证报告相互印证）。
WeatherNext 应对尾风险的方式是概率化：不再给一个"最可能路径"，而是给 1000 个可能场景的概率分布。官方数据：今年开始，每场台风提供 1000 条概率预报，通过 Weather Lab 向预报员开放。集合预报不是新概念，但"1000 成员 × 15 天 × 分钟级"的组合，把集合的粒度推到了新刻度。对小概率高影响事件的捕捉能力，正是 AI 预报相比传统数值模式最被看好的方向。
深度分析二：开源，从"论文附件"到"可部署模型"
这次开源的分量，在于它开出的不是代码片段，而是完整的可用模型：WeatherNext 2 与 WeatherNext Cyclones 的权重、代码，Apache-2.0 协议，托管在 github.com/google-deepmind/weathernext（截至 8 月 7 日已收获 6.7k+ star）。这意味着任何研究机构、气象部门或开发者，都可以基于这套权重做本地化改造——比如针对某片海域的专属预报模型。
开源的意义要放在合作背景里看。论文是 DeepMind 与 NHC、CIRA（科罗拉多州立大学大气合作研究所）、英国气象局联合署名的，NHC 已经用它在真实业务中做出过历史性预报。把权重开放，等于把"已被业务验证的模型"直接交给全球研究者，而不是只给一篇论文。官方博客的表述很直接：希望赋能研究社区，也赋能资源有限的地方预报机构——它们往往没有能力从零训练大模型，但有能力微调一个现成的好模型。官方 X 账号补充了同样的期待：研究者可以在开源基础上发展"更专门化、更本地化的模型"——比如针对某片海域、某类季风气候的专属版本。
应用场景也不止防灾。官方列举了两个方向：可再生能源与极端天气应对。风电场的选址与调度依赖概率风预报，光伏发电依赖云量预测——WeatherNext 这类模型的输出，天然适合接入能源调度系统。换句话说，开源的不只是一个气象模型，而是一个可以长在各类决策系统里的"天气大脑"。
反面视角同样存在。其一，15 天预报"不到一分钟"的官方数据基于 TPU，消费级硬件上的表现官方未披露，部署门槛并不低；其二，模型输出仍需要人类预报员把关——官方特意提示：正式预警请以当地气象机构为准；其三，AI 预报的"黑箱"属性在气象这种高责任场景里，依然是个需要持续解释的问题。这也是为什么 DeepMind 的叙事始终是"辅助预报员"，而非"取代预报员"。
落地：两件现在就能做的事
- 做研究或工程的，直接去 GitHub 拉仓库：
github.com/google-deepmind/weathernext，Apache-2.0 协议，模型权重与推理代码齐备；想理解方法，配合 Nature 论文（s41586-026-10953-2）与 FGN 论文（arXiv:2506.10772）一起读，一天内可以跑通一条预报流程。 - 关注极端天气应对的团队，盯住 Weather Lab（deepmind.google.com/science/weatherlab）：DeepMind 已把每场台风 1000 条概率预报开放给预报员使用。如果你的业务依赖天气风险定价或应急响应，这套概率输出比"单点预报"更有决策价值——值得作为数据源评估接入。
结尾
从 GraphCast 到 GenCast，再到 WeatherNext，DeepMind 用三年时间把 AI 天气预报从"研究演示"推进到"业务验证"，再推进到"全量开源"。多出的 24 小时，落在真实世界里是提前撤离的人群、提前加固的设施。当一份 Nature 论文的附件变成任何人都能拉取的权重，AI 对气象的改造才刚刚进入下半场。
（信息来源：Google DeepMind 官方博客（2026-08-06）、《Nature》论文（s41586-026-10953-2）、GitHub google-deepmind/weathernext 仓库（Apache-2.0）、Google DeepMind 官方 X 账号（2026-08-06）、NHC 2025 年验证报告）