谷歌DeepMind和Google Research刚刚发布了一款叫WeatherNext 3的AI天气模型，直接把全球天气预报的分辨率做到了约5公里，而且每小时更新一次。它跑步进入了一个此前AI一直没能攻克的领域——看得见山谷、海岸线、山脉这些局部地形，还赶得上快速变化的暴雨和雷暴天气。多年来，AI天气预报追赶传统物理模型，拼了三年，最后卡在两个问题上：分辨率太粗，小地方的地形根本画不出来；起步速度太慢，初始资料要依赖约6个小时前生成的数值天气预报结果。这次WeatherNext 3就是冲着这两个短板去的。
问题出在哪，先说清楚。之前的AI模型，学的是“再分析数据”，相当于拿过去几十年气象资料倒推出来的一套网格，特点是光滑、完整、省事，但代价是细节被抹平了。比如说，一道山脉两侧的温度差、一条海岸线对风的影响，到了这种网格里就变得含含糊糊，好像这个世界是个被磨皮过度的照片。WeatherNext 3的做法相反：它不盯着网格学，而是直接读气象站实测数据，把全世界各地气象站测到的气温、露点当作“标准答案”，让模型自己校准自己。什么意思？就是说模型不是靠看“别人总结好的地图”来猜天气，而是拿“地面真实仪器上的读数”来学，最后输出的5公里级温度和露点，能和传感器直接对上。
另一个关键变化是刷新频率。过去，AI预报模型常常要等6小时一更新的再分析数据才能启动，那是一种“回头看”的方式，遇到快速生成的对流天气往往来不及反应。WeatherNext 3选择直接吃实时全球静止卫星拼图当输入，每隔一小时重新算一遍。这相当于把天气预报从“看回放”改成了“看直播”。一天24次初始化，最长能预报15天，有64个集合成员来帮你判断确定性；其余的每个小时跑48小时的短预报。对于正在发展中的雷暴、突然冒出来的强对流，这种一个小时瞬间反应的能力，跟过去6小时的滞后是完全不一样的东西。
做天气预测最怕什么环节，降水肯定算一个。全球模型在降雨问题上经常被吐槽：雨带分布模糊不清，风暴边界像被水彩洇开一样，没法看。WeatherNext 3这次在训练数据里同时用了ECMWF再分析、NASA的IMERG卫星反演，以及Google自己的卫星雷达降水资料，三路并进来学怎么下好一场雨。根据谷歌公开的验证结果，在短预报时效里，它的降水预测评分和IMERG相比改善最多60%，跟美国MRMS雷达资料比改善约30%，跟雨量计实测比也有最高10%的提升。论文里还提到，在对标IMERG的评估中，Brier分数和CRPS指标比传统NWP基线最高降低了50%。这些数字意味着什么？风暴的位置、雨带的边界、强降水的落区，比以前靠谱多了。
对于搞新能源的人来说，这个模型还有一个直击要害的部分：直接给出100米高度风速。这个高度，差不多就是风机轮毂所在的位置。再加上完整的低、中、高云分布，以及两种太阳辐照分量指标，电网调度员想要预测未来几个小时的光伏出力和风电出力，所需要的输入基本齐了。对电力市场交易员来说，这意味着更少的偏差惩罚，对电网来说意味着更安全的调度决策。
顺便提一句，全球天气预报做到5公里级意味着什么？相当于把原来像素模糊的卫星图升级成了能看清街道级别的清晰程度，和上一代WeatherNext 2的0.25°分辨率相比，清晰度提升了大约5倍。这背后是模型直接输出多档结果：一组5公里级站点训练型气温露点，一组10公里级风、气压、海表温度、云层和降水，再加一组25公里覆盖13个大气高度层的大气场。只做一次推理，就能拿到不同精细度的预报产品，各取所需。
目前，预测数据已经开始通过BigQuery、Earth Engine和Cloud Storage提供申请访问。有一点值得留意：WeatherNext 3的模型权重没有开源，想要自建定制推理的话，谷歌依然只开放上一代WeatherNext 2。这也是继语言模型之后，气象AI也开始走“开源一代、闭源一代”路线的信号。对气象行业来说，这项发布意味着AI预报模型从“整体上看得准”迈向了“细节上画得清、变化上追得及”。下一阶段，各家竞争的焦点可能不再是能不能追上物理模型，而是能不能真正替代某些传统预报环节。
