Google DeepMind 在《Nature》发表论文，介绍其 AI 天气预报模型 WeatherNext Cyclones：在热带气旋路径、强度和风场范围的预测上，该模型比 ECMWF-ENS、HAFS 等传统业务预报模型领先约一天的预报提前量，相当于过去十年数值天气预报的累积进步。模型代码和权重已全部开源。
论文题为"Operational Tropical Cyclone Forecasting with AI"，合作方包括美国国家飓风中心（NHC）、大气研究联合研究所（CIRA）和英国气象局（UK Met Office），并已在 2025 年大西洋飓风季投入业务化运行。
气旋预报的核心矛盾
热带气旋（台风/飓风）预报长期面临一个结构性矛盾：路径和强度需要不同的建模方法。
气旋走向由全球尺度的大气环流驱动，此前最佳预测来自粗分辨率的全球模式（如 ECMWF-ENS）。而气旋强度取决于风暴核心区域的精细热力学过程（海表温度、眼壁对流、垂直风切变等），需要高分辨率的区域专用模型（如 HWRF/HAFS）。
这两类模型各自擅长一半的问题，却没有一个模型能同时做好路径和强度预报。WeatherNext 的突破在于用单一 AI 模型同时覆盖了这两个维度。
三维预测对比
WeatherNext Cyclones 在三项核心指标上全面超越现有业务模型：
上图对比了 WeatherNext Cyclones、GenCast、ENS（ECMWF 集合预报）和 HAFS 在 1-5 天预报提前量下的误差表现：
| 指标 | 含义 | WeatherNext 优势 |
|---|---|---|
| Track Error | 路径位置误差（km） | 3 天预报误差约 100 km，ENS 同期约 150+ km |
| Intensity Error | 强度绝对误差（kt） | 3 天预报误差约 11 kt，低于 HWRF |
| Extent Error | 风场范围误差（km） | 在各提前量上均保持最低 |
横向箭头标注的核心发现：WeatherNext 的 3 天预报准确度相当于其他模型 2 天的水平，即整体多出约 24 小时的预警时间。对于气旋防灾而言，多一天意味着疏散、物资调配和应急响应的窗口大幅扩大。
技术架构：Functional Generative Networks
WeatherNext 2 的底层架构是 Functional Generative Networks（FGN），2025 年 6 月在 arXiv 上以预印本"Skillful joint probabilistic weather forecasting from marginals"（arXiv:2506.10772）发布。
FGN 的核心设计思路是用函数空间而非网格点来表示大气状态。传统数值天气预报在固定的经纬度网格上逐点计算，而 FGN 将大气场表示为连续函数，通过学习这些函数的分布来生成预报集合。这使得模型可以：
- 高效生成大集合：在单块 TPU 上不到一分钟生成一次 15 天预报。2024 年飓风季生成 50 个集合成员，2025 年扩展到 1000 个成员，足以捕捉快速增强等小概率高影响事件。
- 跨分辨率推理：模型训练时使用的输入分辨率仅为 28×28 km，比传统区域模式的 2-3 km 粗了约 100 倍。WeatherNext 2-mini 在更粗的 111×111 km 分辨率下运行，性能仍然出色。论文指出，高分辨率此前被认为是精确强度预报的必要条件，但 WeatherNext 的结果挑战了这一假设。
训练数据与双模态学习
模型在两个独立的数据模态上端到端联合训练：
- 全球大气分析数据：约 20 TB 的全球大气再分析数据，覆盖多层温度、湿度、风场、位势高度等变量。
- IBTrACS 历史气旋数据库：包含近 5000 个历史风暴的路径、强度和结构观测记录，由全球各气象机构整理维护。
双模态训练让模型同时学习全球大气动力学规律和历史气旋的演化模式。模型不依赖显式的物理方程求解，而是从数据中隐式学习大气运动的统计规律。
实战验证：2025 飓风季
2025 年大西洋飓风季期间，WeatherNext 以内部代号 FNV3 在 NHC 业务系统中运行（NHC 后处理版本称为 GDMI）。最引人注目的案例是飓风 Melissa：
WeatherNext 提前预测了 Melissa 的快速增强过程和牙买加登陆点，帮助 NHC 发出了历史性的提前预警。快速增强（Rapid Intensification，指 24 小时内最大风速增加 30 kt 以上）是气旋预报中最困难的环节之一，传统物理模型对此的预测准确率长期偏低。
1000 成员集合系统能够量化这类小概率事件的发生概率，为预报员提供概率分布而非单点预测。
开源内容
GitHub 仓库 google-deepmind/weathernext（Apache-2.0 许可证）包含以下模型权重和代码：
| 模型 | 分辨率 | 说明 |
|---|---|---|
| WeatherNext2_<2025 | 0.25°（~30 km） | 2025 年业务运行版本，支持 100m 风场预报 |
| WeatherNextCyclones_<2025 | 0.25° | 2025 飓风季运行版本（FNV3） |
| WeatherNextCyclones_<2024 | 0.25° | 训练数据截止 2023，用于复现 2024 结果 |
| WeatherNextCyclones_<2023 | 0.25° | 训练数据截止 2022，用于复现 2023 结果 |
| WeatherNextCyclones_Mini | 1°（~111 km） | 轻量版，单 TPU/GPU 可运行 |
仓库还包含 GraphCast（图神经网络确定性预报）和 GenCast（扩散模型集合预报）两个前代模型的完整代码。
运行与部署
对于想直接获取预报数据而非自行运行模型的用户，DeepMind 提供了多个数据获取渠道：
- Google Cloud：通过 Earth Engine、BigQuery 和 Vertex AI 获取 WN2 日常输出
- WeatherLab：可视化界面，展示温度、降水、风速等全球预报及气旋路径
- OpenMeteo：提供 API 和交互式查询构建器
自行运行模型需要 TPU 或高端 GPU。完整版模型（0.25°）需要 v5p TPU 或 H100 GPU；Mini 版本可在 P100 或免费 Colab 的 v5e-1 运行时上运行。
模型推理流程：加载初始大气状态（如 ECMWF HRES 分析场）→ 初始化 FGN 架构 → 自回归滚动生成预报步骤 → 可视化输出或运行气旋追踪器提取路径数据。
研究意义与开放问题
WeatherNext 的结果引出了几个值得深究的科学问题。
分辨率悖论：传统观点认为精确的强度预报需要 2-3 km 的精细分辨率来解析眼壁对流过程。WeatherNext 在 28 km 分辨率下达到了超越高分辨率区域模型（HAFS）的强度预报水平。这意味着 AI 模型可能学习到了某种隐式的降尺度能力，从粗分辨率输入中推断精细结构。论文作者承认，模型如何在粗分辨率下产生如此精确的预测仍是一个开放的研究课题。
速度与成本：1000 成员集合在单块 TPU 上不到一分钟完成，相比传统超级计算机上运行的物理模式（生成 50 成员集合需要数小时计算），推理速度提升了几个数量级。这为实时业务预报和大规模情景分析提供了可能性。
人机协作模式：NHC 预报员将 WeatherNext 作为决策辅助工具而非替代品。模型提供概率分布和多种情景，人类预报员结合本地经验和实时观测做出最终预警决策。这种协作模式在 Melissa 案例中得到了验证。
模型代码和权重地址：github.com/google-deepmind/weathernext
Nature 论文地址：nature.com/articles/s41586-026-10953-2
FGN 技术报告：arxiv.org/abs/2506.10772