谷歌DeepMind WeatherNext 2：天气预报进入小时级实时化新时代

天气预报领域正在经历一场深刻的变革，传统方法逐渐被人工智能技术所颠覆。

谷歌DeepMind最新推出的WeatherNext 2系统，将天气查询提升至小时级、实时化的新高度，彻底改变了我们获取气象信息的方式。

其运行速度相较上一代提升8倍，分辨率达到小时级别，这意味着预报不再局限于模糊的“明天下午有雨”，而是可以精确到“明天2–3点有小雨，3–4点雨势增强，5–6点逐渐停止”的详细节奏，为用户提供前所未有的精准服务。

更为有趣的是，它不仅能提供单一预测，还能从相同输入中生成数十甚至上百种可能的天气演变情景，帮助用户全面了解未来天气的不确定性。

传统超算需要数小时完成的任务，它仅需一个TPU，在1分钟内即可完成，极大地提高了效率并降低了计算成本。

结果显示，99.9%的预测变量和时效均超越上一代WeatherNext，对于高温、暴雨等极端天气的影响范围，也能更早地识别迹象，为防灾减灾提供宝贵时间。

那么，气象预报为何需要如此精细呢？这背后有着深刻的实际需求和技术驱动力。

让模型自主演化为微型地球

首先，在现实中，众多行业与天气密切相关，精准预报已成为关键基础设施。

能源系统依赖它来协调负荷，优化发电和配电；城市管理依靠它安排人力资源，应对突发天气事件；农业根据它制定种植和收割节奏，提高产量；物流和航班运营更是每日需依据天气决策，确保安全和效率。

此外，大气系统可视为一个巨大的混沌机制，任何微小扰动都可能产生蝴蝶效应，影响未来几天的云层动向或降雨范围，这使得精准预测极具挑战性。

传统方法通过大量“不同初始条件”进行多次模拟预测，并从上千结果中找出大概率趋势，但这种方式计算资源消耗极大，且难以实时更新。

而WeatherNext 2实现又快又准的关键，在于谷歌DeepMind新提出的FGN（功能生成网络），这是一种革命性的人工智能架构。

FGN的思路截然不同。它并非堆砌更多物理方程，也不直接模拟天气本身，而是通过向模型本体添加轻微但全局一致的随机扰动，使模型自主转变为可变的小地球，从而模拟天气的自然演化过程。

具体而言，FGN在每次预测时输入一个32维的随机向量，即32个随机数字。这个随机向量贯穿模型所有层，通过控制内部状态，由模型自然生成完整的未来天气场，确保了空间一致性和物理合理性。

一组随机数对应一种未来情景，更换随机数则产生另一种未来，这种多样性帮助用户评估风险并做出更明智的决策。

这是因为FGN使模型自身成为可采样的随机函数，通过内部结构将低维噪声扩散为全球一致的变化模式。训练时仅优化每个网格点的单点误差（CRPS），但模型为同时降低所有点误差，被迫学习天气本身的结构规律，从而自发产生高维空间相关性，模拟出真实大气的复杂相互作用。

这解释了为何32个数字能最终生成高达8700万维的全球天气变化，且保持连贯性和物理结构一致性，展示了人工智能在捕捉非线性动态方面的强大能力。

这种看似简单的方法却更加精准。FGN整体性能全面超越DeepMind此前最强的GenCast。预测误差更低、概率表现更优、空间结构更自然，风场、温度、高度场之间关系更协调；概率分布宽度更合理，避免过度收缩或发散，提供更可靠的置信区间。

在极端天气方面，其提前预测能力尤为显著。例如台风路径，FGN能比GenCast大约提前24小时达到相同精度，这对应急决策和交通调度至关重要，可以拯救生命并减少经济损失。

而且，在单个TPU上，生成一次15天全球预报仅需不到1分钟，速度提升约8倍，使得实时更新和快速迭代成为可能，满足现代社会的动态需求。

当然，FGN方法在实际预测中，高频变量偶尔会导致轻微伪影，但团队正在持续优化以提升稳定性。

但总体而言，FGN已足够稳定、高效且实用，标志着天气预报从传统数值模拟向人工智能驱动的范式转变，为全球气象服务开辟了新道路。

论文地址：https://arxiv.org/abs/2506.10772

参考链接：https://x.com/GoogleDeepMind/status/1990435105408418253