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）三项核心指标上均达到当前最优水平。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——平均多出一整天预警窗口。团队将这一进展描述为"大致相当于十年的气象进步"。
与此前 DeepMind 发布 GraphCast（2023 年 Science）和 GenCast（2024 年 Nature）时不同，WeatherNext 并非仅有论文和部分权重。此次 DeepMind 一并开源了 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，权重使用 CC BY-NC-SA 4.0。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。
一个模型同时做轨迹和强度，此前需要两套系统
热带气旋预测长期存在一个根本性张力：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 用一个模型弥合了这一裂痕。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，比传统局域模型粗糙约 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，也将极端气旋的动力特征内化到表征中。
模型评估覆盖了 2023–2025 年的全部热带气旋。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 显示出显著跃升——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。
FGN：让噪声注入函数空间而非像素空间
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。
这种设计的工程后果是显著的：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，单次 15 天预报在一分钟内即可在单个 TPU 上完成。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。
Hurricane Melissa：第一次从 Cat 1 预报到 Cat 5
WeatherNext 不仅是一篇论文。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，也是大西洋历史上并列最强的气旋。NHC 在 Melissa 还仅表现为弱热带低压时，WeatherNext 模型已以 80% 置信度预测它将在五天后以五级飓风强度登陆牙买加——三天后置信度升至接近 100%。这是气象史上首次有模型在气旋初生阶段就从如此低的初始风速成功预测 Category 5 的最终强度。
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。
开源的边界
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）。
但开源的完整性存在一些限定。首先，权重采用 CC BY-NC-SA 4.0 许可证，商业使用需要额外授权——这对于保险、再保险和灾害建模行业的商业用户构成限制。其次，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。
仍然回答不了的问题
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，极端降水仍是弱项。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。
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，模型在未预见的大气状态下的行为不可预测。
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 气象预报的格局
WeatherNext 的 Nature 发表标志着 DeepMind 在 AI 气象领域的三连发：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 2024 年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 为这个方向提供了关键的实验证据：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。这对气象 AI 的可复现性、可审计性和全球扩散来说，比任何一个单一的基准数字都更有分量。
