谷歌 DeepMind 推出 WeatherNext：突破性 AI 实现台风路径与强度同步精准预测

type

status

date

slug

summary

打破数十年的气象预测权衡难题

长期以来，热带气旋的预测一直面临着一种“鱼与熊掌不可兼得”的权衡。像欧洲中期天气预报中心（ECMWF）的集合系统（ENS）这样的全球模型，在路径预测上表现出色，但其网格分辨率过低，难以精准预测风暴强度；而像美国国家海洋和大气管理局（NOAA）的飓风分析与预测系统（HAFS）这样的专业区域模型，虽然强度读数更精确，却往往会在路径准确性上有所妥协。

据发表在《自然》杂志上的论文显示，WN-C 成功在单一系统中兼顾了这两者。在五天的预测期内，WN-C 估计的风暴中心位置平均误差仅为 230 公里，优于 ENS 的 370 公里及其前代 AI 模型 GenCast 的 335 公里。而在三天的强度预测中，它比 HAFS 的准确度高出 3.75 节（约合每小时 6.9 公里）。

更令人惊讶的是其对数据分辨率的要求。WN-C 使用的网格数据点跨度约为 28 公里，这比专业的区域模型粗糙了近一百倍。开发团队指出，高分辨率并非实现顶级强度预测的绝对先决条件，这些看似粗糙的天气数据中显然蕴含了比以往认知中更多关于风暴强度的信息。

算力提效与极速集成预测的实战价值

在底层技术上，WN-C 放弃了此前 GenCast 所使用的扩散模型（Diffusion），转而采用功能生成网络（Functional Generative Networks, FGN）。这一改变使得模型无需像生成 AI 图像那样进行数十次网络迭代，只需单次传递即可完成，从而将计算速度提升了 8 倍。同时，为了捕捉不确定性，系统不再向单个像素添加噪声，而是将噪声注入网络的控制层，从而生成物理上一致的不同场景。

得益于这种高效架构，基于谷歌 AI 芯片，生成一份长达 15 天的预测只需不到一分钟。DeepMind 因此将并行预测运行的数量从 50 次大幅扩展到了 1,000 次。这种大规模的场景模拟极大地提高了捕捉罕见极端事件的可靠性，其临界成功指数（权衡正确预警与误报/漏报的指标）从 0.3 以下跃升至 0.5。

值得一提的是，该模型是由 DeepMind 联合美国国家飓风中心（NHC）、科罗拉多州立大学大气研究合作研究所（CIRA）以及英国气象局共同构建的。为了促进学术界与气象界的进一步研究，DeepMind 已经在 GitHub 上开源了 WeatherNext 2 及 WN-C 的代码和权重，研究人员甚至可以在免费的 Colab 笔记本上运行其迷你版本。

潜在风险、局限性与内部动荡的阴影

尽管技术表现惊艳，但该系统在实际应用中仍面临一定的局限性和潜在风险。首先，正如论文作者所言，低分辨率数据为何能生成如此精确的预测，目前在 AI 科学界仍然是一个开放的研究课题，这种“黑盒”特性意味着在极端情况下面临不可预知的失效风险。因此，官方强调 WN-C 的定位是“辅助预报员，而非取代他们”，传统的物理数值模型仍然是不可或缺的基石。

其次，谷歌在灾害预测方面并非没有“翻车”先例。此前其 Android 地震预警系统就曾严重低估了土耳其大地震的震级（将 7.8 级误判为 4.5 到 4.9 级），导致应当收到警报的数百万人中只有寥寥数百人收到了关键预警。这提醒业界，将纯数据驱动的 AI 投入到关乎生命财产安全的公共预警中，仍需极度谨慎。

此外，这项科学成就发布的背景，正值 DeepMind 内部高层发生剧烈震荡之际。CEO Demis Hassabis 近期退出了日常运营，转任 Alphabet 首席科学家；而效力长达 27 年的首席研究员 Jeff Dean 等核心人员也纷纷离职创办新的人工智能初创公司。内部架构的更迭是否会影响该气象 AI 项目的长期维护与迭代，仍是一个未知数。

总结而言，谷歌 DeepMind 的 WeatherNext Cyclones 证明了 AI 在地球科学领域的巨大潜力，它为全人类应对极端气候提供了一件有力的数字武器。但在彻底颠覆传统气象预报体系之前，AI 模型仍需在漫长且复杂的自然考验中证明其绝对的可靠性。