WeatherNext：Google DeepMind 如何用 AI 改进台风预报

一个最初看来强度偏弱的飓风，在登陆前几天被 AI 模型预报将快速增强为五级飓风。这一预报随后被证实——Hurricane Melissa 最终成为有记录以来最强飓风之一，牙买加当局因此多出了关键的应急准备时间。

这是 Google DeepMind 官方博客在 2026 年 9 月发布的研究员专访中披露的实际案例。官方专访首先澄清了一个术语问题：气旋（cyclone）是科学统称，大西洋地区叫飓风，北太平洋地区叫台风，本质是同一种旋转风暴系统。因此，本文讨论的 WeatherNext 气旋预测，与中国的台风预报是同一件事。

这篇文章的核心不是复述新闻，而是拆解官方到底公开了什么、技术原理发生了哪些变化、哪些结论可以用于工程决策，以及哪些信息仍然缺失。

官方明确了什么

先圈定事实边界。根据 Google 官方博客，以下信息是明确公开的。

WeatherNext 是 Google DeepMind 的气象预报模型系列，目标是为气象学家和科研人员提供 AI 驱动的极端天气预测。模型使用 50 年历史天气数据训练。相比过去依赖集装箱大小甚至三层楼高的超级计算机来模拟流体动力学，这些模型可以在单个 TPU 上运行——这是官方给出的一个关键硬件指标。

官方还提供了一个衡量进步幅度的参照：气象学界历史上大约每十年才能提升一天的预报准确度，而 WeatherNext 的一代模型更新实现了同等量级的跃升。这解释了官方博客为何将其称为“巨大飞跃”（massive leap）。

另外两项明确的动作是：官方已开源 WeatherNext 2 与 WeatherNext cyclones 模型（GitHub: google-deepmind/weathernext），并上线了交互式 Weather Lab 网站，供全球科学社区使用。气象机构正在寻求把公共预报窗口从 5 天延长到 7 天。

注意，这篇官方访谈没有给出的信息同样重要：没有说明模型的具体架构（未提及任何网络结构），没有给出误差数值，也没有说明两个开源模型之间的分工。后面我们会回到这一点。

AI 与传统物理模型的本质差异

官方访谈用一句话概括了变革的核心：物理模型擅长描述过去和现在，AI 擅长基于过去模式与当前数据预测未来。

传统数值预报的瓶颈有两个。其一，全球传感器数据本身不完整且有噪声，直接进入物理方程会放大误差。其二，精确模拟流体动力学需要极大算力，限制了预报的迭代速度。官方提到，过去几十年的进步来自更好的模型、更多卫星和更强算力，但速度是“十年一天”。

AI 路线的不同在于，模型不再从物理方程出发，而是从 50 年的历史天气数据中学习大气变化的模式。推理时输入当前观测，直接输出未来状态。由于训练完成后推理的计算量远小于数值模拟，单块 TPU 就能承载运行。对于不具备超算中心的气象机构或研究团队，这是部署门槛的数量级变化。

关于气旋本身的形成机制，官方给出了基本解释：暖洋面使暖湿空气上升，形成海面低压区并吸入较冷空气；地球自转使这一循环产生旋转，伴随强降雨和强风，便形成了气旋。这个机制框架决定了气旋预报对海温、大气环流等输入数据的高度依赖。

Hurricane Melissa：一次具体的预警样本

官方访谈提供了一个值得单独分析的案例。在最近一个飓风季，Google DeepMind 与美国国家飓风中心（NHC）合作。Hurricane Melissa 最初呈现出的强度偏弱，但 AI 模型给出了高置信度的快速增强预测。NHC 据此发布了历史性预报，警告该飓风将从一级迅速增强为五级飓风（Category 1 到 Category 5）。最终 Melissa 成为有记录以来最强飓风之一，而模型在登陆前数天就已看到这一趋势。

这里真正值得关注的是“快速增强”这个预报项。官方特别强调 AI 在这个环节帮助 NHC 发出了关键预警，说明模型对强度突变的捕捉能力是这次合作的核心价值之一。额外的预警时间让牙买加当局得以组织应急准备——官方用“宝贵的时间”（the vital gift of time）来定义这种提前量。对灾害响应而言，多一天与少一天，结果可能完全不同。

对中国 AI 开发者的工程启示

从工程角度看，这个案例有几个值得拆解的要点。

第一，单卡推理重构了气象 AI 的准入门槛。如果“在单个 TPU 上运行”是稳定的能力，那么 AI 气象模型就不只属于国家级气象中心，也可以进入区域预警系统、研究实验室，甚至成为商业化气象服务的底层组件。对没有超算资源的团队，这是一个结构性窗口。

第二，开源资产需要本地化验证。GitHub 上的 WeatherNext 2 和 WeatherNext cyclones 是可直接获取的模型资产，但官方没有给出它们在西北太平洋或中国区域的验证数据。台风路径和强度与区域海温、大气环流高度相关，任何直接部署前，都必须用本地历史数据做回测。一个可行的做法是：选取过去数年的台风案例，将开源模型输出与实测路径、强度进行对比，再决定是否引入业务流。

第三，数据可能是比模型更深的门槛。官方明确提到训练使用了 50 年历史天气数据。模型架构可以通过开源获得，但高质量的长周期气象数据积累并非每个团队都有。对多数开发者而言，更现实的路径是基于公开的全球再分析资料进行区域微调或评估，而不是从零训练。

第四，AI 与物理模型是互补关系，而非简单替代。官方明确说物理模型擅长过去与现在，AI 擅长未来预测。实际业务中，更可能的形态是 AI 模型嵌入现有预报流程——例如作为快速增强事件的早期警报信号，或作为集合预报的一个成员参与决策。这意味着开发者在设计系统时，需要考虑模型输出与现有气象数据格式及预警系统的对接，而不是构建孤立的预测节点。

官方资料尚未回答的问题

最后，有必要列一下基于当前资料无法确认的边界。

• WeatherNext 的内部架构、训练策略和具体损失函数，官方访谈没有涉及。
• 没有公开路径误差或强度误差的量化指标。
• “单 TPU”的具体型号、推理时长，以及训练算力需求，均未说明。
• WeatherNext 2 与 WeatherNext cyclones 的分工、适用场景差异，官方只字未提。
• 开源许可证的具体条款，需要去 GitHub 仓库确认。

对这些未知部分，不应从二手解读里找答案。直接查阅官方 GitHub 仓库和 Weather Lab 网站，是获取一手信息的最短路径。