DeepMind WeatherNext 开源：台风路径强度同时预测

Google Deepmind 推出了 WeatherNext Cyclones（简称 WN-C），这是一个热带气旋预报 AI 系统，比主流业务模型多提前约一天预知未来走势。这一提升幅度大致相当于传统天气预报模型过去十年取得的进展。

该模型由 Google Deepmind 与美国国家飓风中心（NHC）、大气研究合作研究所（CIRA）以及英国气象局（UK Met Office）联合构建。自 2025 年 6 月起，预报已在 Google 的 Weather Lab 上线运行。Deepmind 表示，在 2025 年袭击牙买加的 Melissa 飓风期间，该模型帮助 NHC及时预测到了风暴的快速增强——即在 24 小时内风速增加至少 30 节（约 34 英里/小时）。

WN-C 解决了一个数十年的权衡难题

气旋预报长期面临一个取舍困境。ECMWF 的集合预报系统（ENS）等全球模型在路径预测上表现出色，但空间分辨率太粗，难以用于强度预报。而 NOAA 的飓风分析与预报系统（HAFS）等专业区域模型虽然能提供更精确的强度数据，却在路径预测上损失了准确性。WN-C 在单一系统中同时处理两者，据发表在《Nature》上的论文描述。

对于五天预报，估算的风暴中心位置平均误差为 230 公里，而 ENS 为 370 公里，Deepmind 的前代模型 GenCast 为 335 公里。在三天强度预报上，WN-C 比 HAFS 精确 3.75 节（约 4.3 英里/小时）。

该模型以 6 小时为步长推进全球大气状态，并直接推导气旋路径，图中展示的是 Hurricane Milton 的预报结果。经过 1,000 次运行，下图显示了各地点风速达到 34 节、50 节和 64 节的概率。

WN-C 在概率风暴强度预报上的得分也比 ENS 和 GenCast 高出一倍以上。对于 64 节风速的概率——风暴达到飓风强度的阈值——Deepmind 表示，该模型比 ENS 提供了更高的实际决策价值。

粗粒度数据，更精确的预报

WN-C 使用的数据网格每个格点覆盖约 28 公里，大约比专业区域模型粗 100 倍。Deepmind 指出，即使是以每格点 111 公里为单位的紧凑版本，也能产生具有竞争力的结果。

"高分辨率并非达到顶尖强度预报能力的严格必要条件，"论文作者写道。这些粗粒度气象数据显然包含了比任何人想象中更多的风暴强度信息。这些模型如何在这种分辨率下产生如此精确的预报，目前仍是一个开放的研究问题。

功能性生成网络取代扩散模型

WN-C 使用功能性生成网络（Functional Generative Networks，FGN）。GenCast 依赖扩散模型——这种技术最为人熟知于 AI 图像生成器——每个预报步需要数十次神经网络传递。FGN 只需一次传递，速度快了 8 倍。

为了捕捉不确定性，大多数方法是对单个像素添加噪声，而该系统则不同，它将噪声注入网络的控制层。这样产生的是不同但物理上一致的情景，而非仅仅是同一输出的噪声变体。

在两个截然不同的数据源上训练是关键。团队使用了近 20 TB 的 ECMWF 分析全球大气数据，以及一个包含约 5,000 个历史气旋的精选数据库。为了让模型能够同时从两个数据源学习，表格化的风暴数据（包括位置、强度和范围）被投影到与气象数据相同的地理网格上。

这使得网络能够直接预测路径、强度和风圈半径。论文中的消融研究表明，正是这种联合训练推动了改进。

每个风暴 1,000 个情景

在 Google 的一块 AI 芯片上，一次 15 天预报耗时不到一分钟，因此 Deepmind 将并行预报运行次数从 50 次扩展到 1,000 次。如此大规模的集合预报有助于更可靠地捕捉罕见的极端事件。论文显示，临界成功指数（Critical Success Index，将正确预警与误报和漏报进行加权比较）从 0.3 以下跃升至 0.5。

WN-C 的蓝线在各预报时效上比 ENS、GenCast 和 HAFS 晚约一天才达到误差水平，这相当于多了一天预警时间。在五天预报时效上，位置误差为 230 公里，而非 370 公里。| 图片来源：Google Deepmind

一种补充，而非替代

Deepmind 表示，传统数值模型仍然很重要。NHC 通常将多个物理模型的结果合并为加权平均来生成官方预报，其中路径（TVCN）和强度（IVCN）分别计算。在模拟的与这些集合模型的加权叠加中，WN-C 使路径预报平均提升了 28%。强度方面提升约 6%。强度提升较小表明，传统模型在该领域仍有很大贡献。

自 2005 年以来，ENS 的位置误差和 HWRF 的强度误差下降缓慢。2023 年开始的蓝色数据点显示，WN-C 一步取得的进展大致相当于传统模型十年才实现的进步。| 图片来源：Google Deepmind

历时数年打造的模型

Deepmind 已将所有内容公开，在 GitHub 上发布了 WeatherNext 2 和 WeatherNext Cyclones 的代码和权重。精简版可以在免费的 Colab notebook 中通过单块 TPU 运行。对于官方预警，作者仍建议用户参考各国气象服务机构。WN-C 的目的是辅助预报员，而非取代他们。

去年，Deepmind 推出了 WeatherNext 2，这是底层的气象 AI，现已与气旋版本一同开源。2025 年 6 月，Deepmind 和 Google Research 推出了 Weather Lab，这是一个为气旋预报构建的平台，其实验模型现已演变为 WeatherNext Cyclones。彼时与 NHC 和 CIRA 的合作已经建立。

在此之前，Deepmind 于 2024 年底发布了 GenCast，这是首个击败 ECMWF 集合预报的概率天气模型，同样开源。WN-C 将 GenCast 的扩散方法替换为更快的 FGN 方法，并将范围扩展到热带气旋。

不过，Google 在预报领域的过往记录并非一直如此出色。2023 年土耳其地震期间，其 Android 地震警报系统严重低估了震级，将 7.8 级地震评定为 4.5 至 4.9 级，仅发送了 469 条紧急预警，而实际应有数百万人收到警报。

这项科学成就正值 Deepmind 自身的动荡时期。CEO Demis Hassabis 不久前退出一线运营，转任 Alphabet 首席科学家，而首席研究员 Jeff Dean 在任职 27 年后离开，与数位资深研究人员共同创立了 AI 创业公司 Discovery Loop。