Google DeepMind 于 8 月 6 日在 Nature 正式发表气旋预测模型 WeatherNext Cyclones（WN-C）。论文显示，该模型在热带气旋的轨迹（track）、强度（intensity）和风场结构（wind radii）三项核心指标上在论文比较范围内均达到最优水平。DeepMind 给出的量化结论是：模型的三天预报精度相当于此前模型的两天水平——平均增加约一天的有效预报提前量，实际预警仍由气象机构决定。团队将这一进展描述为"大致相当于十年的气象进步"。
在 GraphCast（2023 年 Science）和 GenCast（2024 年 Nature）之后，此次 DeepMind 一并公开了 WeatherNext Cyclones、WeatherNext 2 和 WeatherNext 2-mini 三个版本的代码和模型权重。代码使用 Apache 2.0 许可证，仓库将其余材料列为 CC BY 4.0 许可。其中 WeatherNext 2-mini 在 111×111km 分辨率下运行，可在免费 Colab notebook 上直接体验。
GitHub 仓库上线当天即获得数千星标，截至发稿已超过 6,700 星、884 次 fork。
同一模型结合全球大气数据与历史气旋数据预测轨迹和强度
热带气旋预测长期面临尺度之间的取舍：轨迹和强度依赖不同尺度的物理过程，传统上需要两套不同的建模技术。
气旋的移动轨迹由数千公里尺度的全球大气环流主导，适合用粗粒度全球模型捕捉；而气旋核心的强度变化由眼墙附近仅几十公里的热力学过程驱动，需要高分辨率局域模型才能分辨。几十年来，气象部门的业务模式要么擅长预测"往哪走"，要么擅长预测"有多强"，很难同时做好两者。
WeatherNext Cyclones 在同一个模型中处理这两类预测。它的做法不是单纯提高分辨率——事实上模型仅使用 28×28km 分辨率的气象场作为输入，相比 2.8×2.8km 网格，间距约为十倍、单格覆盖面积约为 100 倍。论文明确指出这一结果"令科学家感到意外"，且"为什么模型在如此低的分辨率下能产生如此准确的预测，仍然是一个开放的研究问题"。
在训练策略上，WN-C 同时对两类数据进行端到端训练：约 20TB 的全球大气再分析数据（来自 ERA5），以及国际热带气旋最佳路径数据库 IBTrACS，后者包含近 5,000 个历史风暴的专家标注轨迹与强度。这种协同训练使模型在学习全球大气环流的同时，也学习历史气旋的轨迹和强度变化。
论文评估覆盖了 2023–2025 年的热带气旋，其中不同年份和模型版本的评估范围有所不同。在三天预报的轨迹误差和强度误差两个维度上，WN-C 相比 ECMWF 集合预报系统（ENS）和 HWRF 显示出明显改善——论文中将这一进步与过去 20 年的趋势线对比，得出"约十年进步"的结论。
函数生成网络提高集合预报效率，增加罕见情景样本
WeatherNext 的集合预测能力来自一项被称为 Functional Generative Networks（FGN）的架构设计。与此前 GenCast 使用的扩散模型不同，FGN 不通过对预报场逐像素加噪来生成多个成员，而是向神经网络的函数表示中注入扰动——在实际效果上，每次前向传播产生一个物理上自洽的完整天气预报场景。
这种设计提高了集合预报的生成效率：去年飓风季期间，WeatherNext 运行 50 个集合成员；今年已扩展到 1,000 个成员，其中单个成员的 15 天预报可在单个 TPU 上用不到一分钟生成。更大规模的集合意味着模型有更高概率捕捉到小概率但高后果的情景——例如飓风 Melissa 经历的那种"快速增强"（rapid intensification）事件。
飓风 Melissa：模型辅助 NHC 提前预测快速增强和登陆
WeatherNext 也经历了实际预报检验。2025 年大西洋飓风季期间，该模型已实际接入美国国家飓风中心（NHC）的业务预报流程，作为预报员的参考工具之一。
2025 年 10 月，飓风 Melissa 成为有记录以来登陆牙买加的最强飓风，也是大西洋有记录以来登陆风速并列最高的飓风。据 DeepMind 介绍，Melissa 早期仍较弱时，WeatherNext 已以 80% 的预测概率判断它将在五天后以五级飓风强度登陆牙买加；到距登陆三天时，这一概率升至接近 100%。模型的早期概率预测为 NHC 提供了参考，后者结合各类信息，首次作出从一级飓风强度增强到五级的正式预报。
NHC 局长 Michael Brennan 在 DeepMind 博客中表示："热带风暴和飓风在结构和强度上可以极快地变化，这使它们比其他天气系统更难预测。"WeatherNext 提供的早期信号使牙买加气象局得以提前动员资源和协调撤离。牙买加气象局首席局长 Evan Thompson 称："提前撤离和更好的准备确实减少了伤害。它确实拯救了生命，也保护了人们赖以谋生的财产。"
NHC 的 2025 年年度验证报告将 WeatherNext 列为当年全飓风季在轨迹和强度预测上表现最好的单一模型。
代码和权重已公开，业务预报系统仍需自行集成
此次开源的范围值得具体说明：三个版本的代码和权重均已在 GitHub 上可用。WeatherNext 2-mini 的 Colab demo 可加载预训练权重、载入示例数据、运行推理并输出预测结果。完整训练需要自行下载 ERA5 数据集（可通过 WeatherBench2 获取）。
使用时仍需区分代码、模型材料和外部数据的条款。官方仓库列明代码使用 Apache 2.0，其余材料使用 CC BY 4.0；商业用户还需要分别核对外部数据的适用条款。另一方面，论文中描述的完整业务化预报管线——包括与 NHC 内部系统的集成、实时数据接入和预报员工作流——并不在开源范围内。如独立媒体 AI Weekly 所指出："开源权重并不等同于交付国家气象机构实际运行所需的业务预报管线。"
Google 同时宣布正在将 WeatherNext 技术扩展到其他气旋影响地区，包括菲律宾（PAGASA）、台湾（CWA）、印尼（BMKG）和越南（VNMHA），未来还计划覆盖日本、澳大利亚和印度。
极端降水和未来气候条件下的表现仍待检验
尽管 WeatherNext 取得了可观的进步，AI 气象模型的系统性局限并未消失。
首先，需要单独检验极端降水预测。2026 年发表在 Science Advances 上的一项研究评估了 GraphCast、Pangu-Weather 和 FuXi 在创纪录极端事件上的外推性能，结论是物理模型 HRES 在超出训练分布的极端事件上优于所有三个 AI 模型。WeatherNext 虽然在气旋强度和轨迹上表现突出，但论文和博客均未报告其在气旋相关极端降水上的独立基准成绩。Google 开发者文档也明确列出，WeatherNext Graph 版本"不预测降水率、2 米露点温度、辐照度或云量"等变量，但 Graph 是不同版本，不能将其变量限制直接套用到 WN-C。
其次，所有 AI 气象模型都面临"训练-部署分布偏移"问题：它们基于历史再分析数据训练，但气候变化正在使天气系统的统计特征偏离历史分布。WN-C 论文的评估仅覆盖 2023–2025 年，这三个年份的大气环流状态是否足以代表未来极端事件分布，尚无定论。
第三，28km 分辨率表现优于 2.8km 物理模型这一反直觉发现的机制仍未被充分理解。论文坦承这"仍然是开放的研究问题"。这既是创新点也是风险——在对机制缺乏理解的情况下，仍需用更多异常天气案例检验模型的可靠性。
DeepMind 显然也清楚这些约束。论文和博客多处强调 WeatherNext 是"实验性研究项目"，所有官方天气预警仍由各国气象机构发布。模型的设计定位是辅助人类预报员，而非取代传统的基于物理的数值天气预报系统。
AI 天气模型增多，竞争转向业务预报中的可靠集成
WeatherNext 的 Nature 发表标志着 DeepMind 在 AI 气象领域的又一项论文成果：GraphCast（2023, Science）、GenCast（2024, Nature）、WeatherNext（2026, Nature）。节奏近乎每年一篇顶刊。
但竞争格局已远比 2023 年拥挤。ECMWF 的 AIFS 自 2025 年 2 月起已进入业务化运行，华为此前发布的 Pangu-Weather 和复旦的 FuXi 也在多个评测中展现出竞争力。ECMWF 主办的 AI Weather Quest 已吸引 45+ 支国际团队和 70+ 个模型参与。2026 年的问题不再是"AI 能否用于天气预报"，而是"如何将多种 AI 模型与物理模型有效融合成一个可靠的预报管线"。
WeatherNext 为这个方向提供了实际预报案例：一个 AI 模型在真实飓风季中辅助做出了一次历史性预报，并且现在任何人都可以下载和审视线上的代码与权重。公开代码和权重，使更多研究者能够检查、复现和扩展这些结果；其业务价值仍需要结合预报流程和更多天气案例评估。
