1分钟跑出数百预测！WeatherNext 2把短时预报带入小时级

【导读】Google DeepMind发布WeatherNext 2。它能在1分钟内，从同一初始场生成上百种可能的未来，分辨率细到1小时，并在几乎所有气象变量上超过上一代模型。更重要的是，它已接入Search、Gemini、Pixel Weather与Google Maps，天气预报的「底层引擎」被重写了一次。

就在昨天，谷歌再一次刷新了行业上限！

谷歌DeepMind最新发布的WeatherNext 2，在天气预测行业上迈出了一大步。

官方在X上发布了演示视频：单一初始场景，能生成百种预测；一分钟就能完成大气场推演，整体性能全面超越上一代。

现在，这项技术已经从实验室走到普通用户手中：Search、Gemini、Pixel Weather、Google Maps的天气系统都已经接入。

当我们在手机上刷新天气卡片时，后台运行的，已经是一套新的预测引擎。

天气预报的逻辑，被重写了一次

这两年大家都有一个共同的感觉：极端天气越来越多，但天气预报却越来越难预测我们真正关心的点。

降雨到底是下午三点来，还是七点才落下？风会不会突然加大？雷暴到底会不会影响下班路上的航班？

传统数值模型很强，却有两个短板：计算耗时、分辨率偏粗。完整模拟常要数小时，等结果出来，天气已更新。

想要把天气预测做到「小时级、随时更新」，传统模型已经有点吃力。

在这种背景下，WeatherNext 2出现了。

它不是把图表做得更漂亮，而是换了整套预测思路：不再只给一个结果，而是一次性交付「上百个可能的未来」。

在Google的TPU上，一次推理不足1分钟，预测分辨率提升到1小时级。

更重要的是，它不再只给出一条未来路径，而是能从同一个起点推演出上百种可能的天气走向，让极端事件的「风险空间」第一次变得可见。

未来不止一条：WeatherNext 2的新预测法

Google DeepMind 在官方介绍里用了一个关键描述：

从同一个起点，生成上百种可能的天气场景。

这句话看起来轻，但背后意味着天气预报从「单一答案时代」进入了「多场景时代」。

过去我们习惯的天气预报，本质上是模型给你一个预告：天下雨、后天降温、三天后有风暴。

但大气本身是高度不确定的系统，尤其遇上台风、强降雨、雷暴线这些「临界事件」，单一路径往往不够稳，也不够安全。

WeatherNext 2的做法是——把不确定性本身变成预测对象。

模型会基于同一组初始条件，一次性跑出数百条不同的未来路径，再从中提取趋势、最可能发生的情况，以及风险范围。

这项能力是通过一个新的架构：Functional Generative Network（FGN）：噪声并非加在输入数据，而是注入到模型的「函数空间」，从而得到一组差异可控且物理一致的预测。

WeatherNext 2多场景预测示意。模型从同一初始天气场出发，通过注入不同噪声生成多条物理一致的未来路径，用于呈现更完整的天气可能性范围。

这让每一条生成的未来既有差异，又能保持物理规律的一致性。

对此，DeepMind的解释是：

注入的噪声依然能生成物理连贯的场景（coherent variability）

这也是为什么WeatherNext 2在官方发布里特别强调：

它只显式学习了「marginals」（单独的温度、湿度、风速等要素），但能自动推断出「joints」（完整的台风结构、热带扰动、锋生、湿度输送通道）。

速度提升同样关键。Google表示，一次预测在TPU上耗时不到1分钟，相比数值天气预报需要数小时计算，更新频率和时效性都完全不是一个量级。

再结合WeatherNext 2的1小时级分辨率，短时突发事件，比如雷暴、阵雨线、大风切变——第一次可以被更细地捕捉。

从整体能力看，WeatherNext 2并不是某一项指标变好，而是整套预测方式都变得更灵活、更连贯、更实时。

官方给出的CRPS对比图也能直观看出差距：

几乎所有气象变量、所有气压层、所有预测时效（0–15 天）都呈现持续提升。

蓝色越深、代表越优，而整张图几乎都被蓝色覆盖。

连续排名概率评分对比：WeatherNext 2和WeatherNext Gen

说到底，WeatherNext 2的升级不是多加了一点精度，而是让天气预报从确定性变成「多可能性」。

从延时更新变成分钟级滚动推演，从大尺度趋势变成小时级细节。

从实验室走出去

WeatherNext 2改变生活

如果WeatherNext 2只停留在论文里，它充其量算一次漂亮的技术实验。

Google选择的是把它推上生产线。Search、Gemini、Pixel Weather、Google Maps的天气层，全都切到了WeatherNext 2 的数据流。

这意味着我们第一次不是基于一个结果判断天气，而是基于一个「未来的范围」。

过去的天气预报更像是一句结论：「今天可能下雨。」

现在的是：「在几十种未来里，降水最有可能在下午三点左右推进到城区。」

行业上的变化更明显。能源、航运、机场、供应链，这些原本被天气牵着走的行业，现在能提前看到可能的未来。

Google已经用WeatherNext技术支持过热带气旋的实验性预测，让决策方能真正评估「最坏情况下要往哪走」。

这跟传统的单一路径预报完全不同。

科研端的反应也很强烈。

因为WeatherNext 2的数据不只用于产品，它还被同步放进Earth Engine和BigQuery，研究机构第一次可以稳定调取「小时级、高分辨率、可重复的AI预测」。

在气象领域，这是非常罕见的开放度。

不只是天气预测更准这么简单。它让天气变成了一套可被引用、可被嵌入、可被计算的系统——

能被行业使用，能被科研验证，也能被城市运营纳入决策链。这是气象体系以前从未具备的能力。

AI天气时代的真正意义，才刚刚出现

WeatherNext 2让天气预测变得更快、更细、更可用，它触动的，是气象系统过去几十年没变过的底层结构。

以前的天气服务更像一条单向链路：超级计算机跑出结果→气象机构发布预报→产品端展示给用户。

这套逻辑很稳定，但也很慢。

预测不再只是结果，而是一个随时能被调用的能力。

能源企业可以用它提前判断风电波动，机场可以预估下一小时的风切变，城市可以滚动监测降水边界的变化。

首先，天气数据会变成基础设施。不是每天几点更新，而是随时可用、随时刷新。

对于依赖天气运营的行业，这是新常态。

其次，预测系统会更像「协作网络」。

AI模型跑多场景，物理模型兜底趋势，各机构共享数据流——预测不再是一家机构的任务，而是一张连着科研、产业、政*的网。

最后，人们对极端天气的应对方式会变。

过去是一条路径决定所有行动；未来可能是一整套「风险区间」驱动的决策。

所以，WeatherNext 2不只是更准的天气预报，它更像是在把天气重新定义成一种「可计算资源」。

极端气候越来越频繁，未来我们会越来越依赖这样的基础工具。

也许很快，天气不再是被动接受的信息，而是能被及时理解、提前准备的变量。

参考资料：

https://x.com/PeterWBattaglia/status/1990438610684797385

https://x.com/GoogleDeepMind/status/1990435105408418253

https://blog.google/technology/google-deepmind/weathernext-2/

秒追ASI

⭐点赞、转发、在看一键三连⭐

点亮星标，锁定极速推送！