Google DeepMind 发布 WeatherNext 2 天气预报模型

2025年11月17日

|

新的人工智能模型能够提供更高效、更准确且分辨率更高的全球天气预报。

WeatherNext 团队

天气影响着我们每天做出的重要决策——从全球供应链和飞行航线到你的日常通勤。近年来，人工智能（AI）极大地提升了天气预报的可能性以及我们使用它的方式。

今天，Google DeepMind 和 Google Research 推出了 WeatherNext 2，这是我们最先进、最高效的预报模型。WeatherNext 2 生成预报的速度提升了 8 倍，分辨率最高可达 1 小时。这一突破得益于一种能够提供数百种可能情景的新模型。借助这项技术，我们通过实验性气旋预测支持气象机构基于一系列情景做出决策。

我们现在正将研究成果从实验室推向用户手中。WeatherNext 2 的预报数据现已在 Earth Engine 和 BigQuery 中提供。我们还在 Google Cloud 的 Vertex AI 平台上推出了一项早期访问计划，用于自定义模型推理。

通过整合 WeatherNext 技术，我们现已升级了 Search、Gemini、Pixel Weather 以及 Google Maps Platform 的 Weather API 中的天气预报。在未来几周内，它还将为 Google Maps 中的天气信息提供支持。

预测更多可能的情景

基于单一输入，我们使用独立训练的神经网络，并在函数空间中注入噪声，以在天气预报预测中创建连贯的变异性。

天气预测需要捕捉全部可能性——包括最坏情况，而这些对于制定计划最为重要。

WeatherNext 2 可以从一个单一初始点预测数百种可能的天气结果。每次预测在单个 TPU 上耗时不到一分钟；而使用基于物理的模型在超级计算机上则需要数小时。

我们的模型还具备很高的技巧水平，能够进行更高分辨率的预测，精细到小时。总体而言，WeatherNext 2 在 99.9% 的变量（例如温度、风速、湿度）和预见期（0-15 天）上超越了此前最先进的 WeatherNext 模型，从而能够提供更有用、更准确的预报。

这一性能提升得益于一种名为函数生成网络（FGN）的新型 AI 建模方法，它将“噪声”直接注入模型架构，使其生成的预报保持物理上的真实性和相互关联性。

这种方法对于预测气象学家所称的“边缘分布”和“联合分布”尤为有用。边缘分布是单个独立的天气要素：特定地点的精确温度、特定高度的风速或湿度。我们方法的创新之处在于，模型仅在这些边缘分布上进行训练。然而，通过这种训练，它学会了熟练地预测“联合分布”——即依赖于所有这些单个要素如何组合在一起的大型、复杂、相互关联的系统。这种“联合分布”预测是我们最有用的预报所必需的，例如识别受高温影响的整个区域，或风电场预期的发电量。

比较 WeatherNext 2 与 WeatherNext Gen 的连续排名概率评分（CRPS）

从研究到现实

借助 WeatherNext 2，我们正将前沿研究转化为高影响力的应用。我们致力于推动这项技术的前沿发展，并让全球社区都能使用我们的最新工具。

展望未来，我们正在积极研究改进模型的能力，包括整合新的数据源，并进一步扩大访问范围。通过提供强大的工具和开放数据，我们希望加速科学发现，赋能全球研究人员、开发者和企业生态系统，让他们能够就当今最复杂的问题做出决策，并为未来而构建。

要了解更多关于 Google 地理空间平台和 AI 工作的信息，请查看 Google Earth、Earth Engine、AlphaEarth Foundations 和 Earth AI。

详细了解 WeatherNext 2

• 阅读我们的论文
• WeatherNext 开发者文档
• 探索 Earth Engine 数据目录
• 在 BigQuery 中查询预报数据
• 注册 Cloud Vertex AI 的早期访问计划

Google DeepMind 博客

GenCast 预测天气和极端天气条件的风险

新 AI 模型推进了对天气不确定性和风险的预测，可提供未来 15 天更快、更准确的预报。

查看更多

Google DeepMind 博客

GraphCast

一款用于更快、更准确进行全球天气预报的 AI 模型。

查看更多