Google DeepMind 與 Google Research 在 9 月 3 日發布了 WeatherNext 3。官方表示，這一全球天氣 AI 模型能夠直接整合實時地球同步衛星數據與氣象站觀測資料，按小時生成新的天氣預報，並將部分地表變量的空間分辨率提升至 5 公里。相關功能已經接入到 Google 搜索、Gemini、地圖、Google Maps Platform 以及 Cloud 中，這意味著該研究模型正逐漸被應用於普通用戶與企業的日常決策中。
與上一代 WeatherNext 以25公里网格、6小時為步長生成結果相比，新模型提供多種分辨率：溫度和溼度等關鍵地表變量可達到5公里，其他地表變量約10公里，大氣風速等變量約25公里。Google 將整體描述為比上一代清晰約五倍。此處的「清晰」主要指時間和空間网格更細，並不代表每個地點、每種天氣都能獲得五倍的準確率。
實時觀測改變了模型的起點
許多 AI 天氣模型主要是從數值天氣預報系統產生的再分析或模擬數據中學習。這些數據物理信息豐富，但可能會有數小時的延遲。快速形成的降雨、局部溫度變化和突然發展的風暴，對初始狀態非常敏感。 WeatherNext 直接引入每小時更新的衛星觀測數據，希望能讓模型看到更接近當前時刻的大氣狀態。
衛星無法觀測到所有的變量，因此該模型還結合了稀疏氣象站數據和歷史分析。它使用統一的生成網絡，將來自不同來源、不同密度的数据映射到全球网格上，再輸出溫度、溼度、風速、降水概率和氣旋路線等結果。AI 在這裡並非拋棄物理規律，而是從大量的觀測和歷史演變中學習統計關係，并要求在不同的尺度上保持一致性。
降水是本次升級的重點。雨雪是由規模很小、變化很快的雲過程所驅動的，全球模型常將降水邊界預測得過於平滑。Google 表示，新模型使用 NASA 全球降水測量任務的 IMERG 卫星產品以及自建的衛星雷達再分析數據進行訓練。在中期全球預報評估中，連續分級概率評分相對不同基線最高可改善約60%、30%和10%，具體幅度取決於參考數據與預報提前的時間，不能將最高數字推廣到所有地區。
更細密的網格對於沿海地區、山谷和山區尤其重要，因為地形會導致相距幾公里的地點出現不同的溫度、溼度和降水量。過去需要昂貴的區域模擬才能獲得的細節，如今有機會通過全球AI模型更快地提供。但5公里的網格仍然不足以解析每一條街道的對流天氣，手機界面上位置預報也會受到當地感測器不足和極端事件稀少的限制。
從天氣應用走向能源與供應鏈
WeatherNext 新增了3個針對清潔能源的變量，包括約100米高度的风速、高解析度的雲量和太陽輻射。這些數據符合風力發電機輪轂和光伏電站的實際需求。如果電網運營商能更準確地估計未來風能和光伏的發電量，就能更合理地安排備用電源、儲能和跨區交易，從而減少預測誤差帶來的成本。
農業、航空、物流和應急響應也將受益。農場需要判斷灌溉和收穫的時機，航空公司需要規劃航線，供應鏈團隊關注港口的風浪和極端天氣。按小時更新的全球預報可以提供更及時的資訊，但高風險的決策不能僅依賴單一的商業模型。氣象機構的警報、雷達、地面觀測和專業預報員仍是必要的交叉驗證來源。
Google 將模型接入搜索、Gemini 和地圖，擴大了分發範圍，也提高了解釋責任。用戶看到的簡短天氣答案應區分概率與確定事實，並標明預報時效。模型在平均指標上表現更好，但不等於每次極端事件都更可靠。對於颶風、山洪和野火等風險，低概率誤差的後果遠高於日常溫度偏差。
部署範圍也值得留意。官方表示該模型已整合至多項Google產品中，但具體功能可能會因地區、語言、產品界面及數據許可等的不同而分階段推出。企業透過Cloud接入時，還需核對變量列表、更新延遲、服務級別及歷史回測結果。看到全球模型上線，並不等於任何地點的每一種專業氣象數據都已即時開放。
獨立評估是下一道門檻。天氣模型容易在平均天氣上取得漂亮的成績，真正的考驗來自於罕見的強降水、快速增強的氣旋以及觀測稀疏的地區。研究團隊引用了Brightband的實時評估，但用戶還應該等待更多氣象機構在不同季節、不同預報提前時間下的比較。只有持續運行，才能區分模型結構的優勢和某段時間內天氣樣本的運氣。
WeatherNext 3代表AI天气预报從離線競賽走向連續服務：輸入更實時、輸出更頻繁、分辨率更細，並進入能源和地圖產品。它能否長期優於傳統與混合系統，還需看獨立實時評估、不同地區表現和極端事件案例。最合理的期待不是“AI取代氣象學”，而是讓觀測被更快轉化為可用預測，再由專業系統和人類判斷決定如何行動。
