谷歌 DeepMind 与谷歌研究院发布了面向天气预报的新 AI 模型「WeatherNext 3」。在关键变量上，预报的空间分辨率细化到 5 公里，更新频率也从每 6 小时一次改为每小时一次。该模型将逐步接入谷歌搜索、谷歌地图和 Gemini 所显示的天气信息，研究人员和开发者也可以通过谷歌的云平台调用。
直指 AI 预报的三个短板
近几年，深度学习在气象领域迅速走向实用，但短板同样明显。AI 预报覆盖的范围通常为 15 至 25 平方公里，对日常判断来说过于粗糙；降水预测能力偏弱；而且模型仍然依赖各国气象机构整理好的数据集。
WeatherNext 3 一次性瞄准了这 3 个问题。关键变量的分辨率提升到 5 公里，降水评估相比上一代 WeatherNext 2 改善了 60 个百分点，预报也从此前标准的每 6 小时一次变为每小时一次。
改进的背后是模型规模的扩大与输出设计的重新打磨。WeatherNext 3 的参数量是上一代的 2.4 倍，解码器端的预测目标也经过调整，以便给出真正可用的答案。DeepMind 的研究团队此前就因为让模型可视化气旋路径、而不只是输出网格平均值而受到关注。这一次他们更进一步，把特定的气象观测站直接列为预测对象。
逐站预测的意义
按观测站预测，并不只是信息更细致而已。它让预报结果可以直接与该地点的实测数据进行核对。
如果模型能直接预测某个机场的气象站在 1 小时后会记录到什么数值，预报这件事就更贴近它本应描述的测量结果。让流程尽可能端到端，是 AI 应用中常见的思路，如今也被带进了天气预报。
直接吞下未经整理的卫星观测
更新频率之所以能提高，是因为模型可以按小时直接摄入实时采集的气象卫星数据。
以往的 AI 预报模型，输入的是政府超级计算机求解物理方程后生成的分析产品。这类数据便于使用，但已经与原始观测隔了一层。理论上，直接使用未经整理的观测值可以提升精度，然而把格式不统一的数据喂给模型在技术上一直是道门槛。
谷歌表示，WeatherNext 3 是首个在高分辨率全球预报中直接纳入原始观测的 AI 模型。这一说法存在争议。AI 气象初创公司 WindBorne 称，自 2025 年下半年以来，其「WeatherMesh 6」就已经在使用来自自家气象气球等来源的原始数据。谷歌对此回应称，自家预报在全球范围内的分辨率更高。无论如何，两个模型在生成预报时仍然依赖各国气象机构的数据集，距离真正的直接资料同化还有一段路。
在基准测试中超过物理计算的传统预报
精度比较使用的是初创公司 Brightband 构建的「Operational WeatherBench」，它在气温、风速、湿度等指标上把多个模型放在一起横向对比。WeatherNext 3 在其中排名第一。
对比对象包括谷歌自家的既有模型，以及微软、英伟达和欧洲中期天气预报中心（ECMWF）开发的深度学习模型。此外，它还超过了美国国家气象局和 ECMWF 基于物理计算发布的传统预报。
这个领域的起点是 2018 年，当时 ECMWF 公开了超过半个世纪的气象数据。政府超级计算机的预报精度很高，但成本昂贵、耗时较长。用这批公开数据训练出来的深度学习模型开始以极短的时间达到相当的精度，气象学由此迎来了不同于大语言模型的另一次转折。天气本身是混沌的，微小差异会迅速放大；在计算资源有限、信息不完整的条件下近似处理物理过程，恰好是机器学习擅长的问题形态。
从搜索结果到农业与可再生能源
对谷歌而言，这次发布既是研究成果，也是产品落地。核心变量首次直接驱动谷歌的产品线，搜索、地图和 Gemini 返回的天气信息，其底层将被替换。
应用并不止于消费者场景。AI 预报的价值在于，它能以较低成本把高精度预报送到那些买不起高性能传感器和超级计算机的地区。比尔·盖茨曾指出，AI 驱动的天气预报是提升发展中国家作物产量的一条路径。DeepMind 方面则补充说，对风、雨和云量的高分辨率预测，可以让可再生能源项目的发电计划更可靠。
总结
WeatherNext 3 在 3 个方面抬高了 AI 天气预报的实用度：5 公里分辨率、每小时更新，以及对原始卫星观测的直接利用。在基准测试中，它不仅超过了其他 AI 模型，也超过了基于物理计算的传统预报。原始数据的完全同化仍未完成，但随着模型接入搜索和地图这样的日常入口，AI 预报的精度提升开始直接转化为使用体验。
