Google DeepMind 與 Google Research 發表了用於氣象預報的新 AI 模型「WeatherNext 3」。在主要變數上，預報的空間解析度細化到 5 公里，更新頻率也從每 6 小時一次改為每小時一次。這套模型將陸續接入 Google 搜尋、Google 地圖與 Gemini 所顯示的天氣資訊，研究人員與開發者也能透過 Google 的雲端平台使用。
直接處理 AI 預報的三個弱點
近幾年，深度學習在氣象領域快速進入實用階段，但弱點也相當明確。AI 預報涵蓋的範圍通常是 15 至 25 平方公里，對日常判斷來說太過粗略；降雨預測能力偏弱；而且模型仍然依賴各國氣象機構整理過的資料集。
WeatherNext 3 一次瞄準了這 3 個問題。主要變數的解析度提升到 5 公里，降雨的評估相較於前一代 WeatherNext 2 改善了 60 個百分點，預報也從過去標準的每 6 小時一次改為每小時一次。
改善的背後，是模型規模的擴大與輸出設計的重新調校。WeatherNext 3 的參數量是前一代的 2.4 倍，解碼器端的預測目標也經過調整，讓輸出更貼近實際可用的答案。DeepMind 的研究團隊先前就因為讓模型視覺化氣旋路徑、而不只是輸出網格平均值而獲得肯定。這次他們更進一步，把特定的氣象觀測站直接納入預測對象。
逐站預測的意義
以觀測站為單位預測，不只是資訊更細緻而已。它讓預報結果能夠直接與該地點的實測資料互相對照。
如果模型可以直接預測某座機場的氣象站在 1 小時後會記錄到什麼數值，預報這件事就更靠近它原本要描述的測量結果。讓流程盡可能端到端，是 AI 應用中常見的作法，如今也被帶進了氣象預報。
直接吃下未經整理的衛星觀測
更新頻率之所以能提高，是因為模型可以按小時直接讀入即時蒐集的氣象衛星資料。
過去的 AI 預報模型，輸入的是政府超級電腦求解物理方程式後產生的分析資料。這類資料好用，但已經與原始觀測隔了一層。理論上，直接使用未經整理的觀測值可以提升精度，然而把格式不一致的資料餵給模型，在技術上一直是道門檻。
Google 表示，WeatherNext 3 是首個在高解析度全球預報中直接納入原始觀測的 AI 模型。這個說法存在爭議。AI 氣象新創公司 WindBorne 指出，自 2025 年下半年起，其「WeatherMesh 6」就已經使用來自自家氣象氣球等來源的原始資料。Google 對此回應，自家預報在全球範圍的解析度更高。無論如何，兩套模型在產出預報時仍然依賴各國氣象機構的資料集，距離真正的直接資料同化還有一段距離。
在基準測試中超越物理計算的傳統預報
精度比較使用的是新創公司 Brightband 建立的「Operational WeatherBench」，它以氣溫、風速、濕度等指標把多個模型放在一起橫向比較。WeatherNext 3 在其中拿下第一。
比較對象包含 Google 自家的既有模型，以及 Microsoft、NVIDIA 與歐洲中期天氣預報中心（ECMWF）開發的深度學習模型。此外，它也超越了美國國家氣象局與 ECMWF 以物理計算發布的傳統預報。
這個領域的起點是 2018 年，當時 ECMWF 公開了超過半世紀的氣象資料。政府超級電腦的預報精度很高，但費用昂貴、計算也相對耗時。以這批公開資料訓練出來的深度學習模型開始用極短的時間達到相當的精度，氣象學因此迎來了與大型語言模型不同的另一次轉折。天氣本身是混沌的，微小的差異會迅速放大；在運算資源有限、資訊不完整的條件下近似處理物理過程，正好是機器學習擅長的問題形態。
從搜尋結果到農業與再生能源
對 Google 來說，這次發表既是研究成果，也是產品落地。核心變數首次直接驅動 Google 的產品線，搜尋、地圖與 Gemini 回傳的天氣資訊，其底層將被替換。
應用並不只限於消費者情境。AI 預報的價值在於，它能以較低的成本把高精度預報送到那些負擔不起高階感測器與超級電腦的地區。Bill Gates 曾指出，AI 驅動的氣象預報是提升開發中國家作物產量的一條路徑。DeepMind 方面則補充，對風、雨與雲量的高解析度預測，可以讓再生能源專案的發電規劃更可靠。
總結
WeatherNext 3 在 3 個面向上提高了 AI 氣象預報的實用度：5 公里解析度、每小時更新，以及對原始衛星觀測的直接運用。在基準測試中，它不僅超越其他 AI 模型，也超越了以物理計算為基礎的傳統預報。原始資料的完全同化仍未完成，但隨著模型接入搜尋與地圖這類日常入口，AI 預報的精度提升開始直接反映在使用體驗上。
