Google DeepMind 於 2026 年 8 月 6 日在《Nature》發表 WeatherNext 颶風預報模型，宣稱在熱帶氣旋路徑、強度與風場結構預測上達到最先進（SOTA）水準，並把可用預警時間額外延長一整天。三天預報的準確度等於過去模型只能做到兩天的水準——DeepMind 形容這相當於把十年的氣象進度壓進同一個模型。
為什麼把全球與區域模型合體是真正的突破
傳統做法是把「全球大尺度駛流」與「區域小尺度增強機制」拆成兩個獨立系統，預報員得在兩者之間做切換。WeatherNext Cyclones 把兩件事放進同一個 AI 模型，從近 20 TB 的全球大氣資料與 IBTrACS 歷史颶風資料庫（約 5,000 場歷史風暴）做 end-to-end 訓練。這讓模型能直接學會「大尺度駛流如何驅動小尺度增強」的關係，而不是把兩種問題分開解決再交握。
關鍵技術有三：
- Functional Generative Networks（FGNs）：產生機率分佈而非單點預測。
- 1,000 個 ensemble 成員：是前代 50 個 ensemble 的 20 倍，能更早抓到「快速增強」這類罕見但高風險事件。
- TPU 推論速度：15 天全期預報在 1 分鐘內跑完。
編按：本文綜合整理自 Google DeepMind 官方部落格、blog.google、《Nature》論文摘要、Unite.AI、OpenSourceForU、DataNorth、Engadget 等公開資料，並加入 Siami 編輯部觀點與分析。
三個模型同步開源：誰能用、怎麼用
2026 年 8 月 6 日的釋出不是只有論文，而是把整套程式碼與權重都放上 GitHub：
- WeatherNext Cyclones：2025 年颶風季實際跑的版本，《Nature》論文用的結果就是它。
- WeatherNext 2：Google 在 2025 年 10 月已上線營運的更新版。
- WeatherNext 2-mini：輕量版，單顆 TPU 就能跑，還附免費 Colab notebook，不用自備硬體就能實驗。
授權採用商業可用條款，意味著各國氣象機構、新創再生能源公司、保險業者都可以把它接進自家管線，不必再從零訓練區域模型。美國國家颶風中心（NHC）、大氣研究合作研究所（CIRA）、英國氣象局（UK Met Office）等機構都有參與模型開發協作。
2025 颶風季實戰：Hurricane Melissa 的早期預警
《Nature》論文與 DeepMind 官方說明都引用了 2025 年的實戰案例。當時美國國家颶風中心（NHC）的預報員開始把 WeatherNext 與傳統指引並用。在 2025 年 10 月，WeatherNext 成功預測了 Hurricane Melissa 的強度與路徑，這個五級�風最後在牙買加登陸。由於模型比傳統工具更早標記出快速增強訊號、並提供多天的高信心度預警，氣象人員與地方政府得以提前發布撤離警告、保護脆弱社區。
這個故事比任何 benchmark 都更重要——AI 天氣模型第一次在「拯救生命」這個場景被主流氣象機構正式採納，而不是停在學術展示階段。
為什麼這件事重要
過去十年，AI 天氣預報從 NVIDIA FourCastNet、DeepMind GraphCast 到華為 Pangu-Weather，一直走在「全球中期預報」這條賽道上，但對「熱帶氣旋這種區域尺度的災害性天氣」始終有明顯天花板。這次 WeatherNext Cyclones 把差距從「全球」拉到「區域災害預警」這個更貼近人命的場景，等於告訴全世界：
- AI 模型可以同時學會大尺度和小尺度物理——不需要拆系統。
- 開源等於把救命工具攤在陽光下——發展中國家的氣象單位不用再被商業 API 綁架。
- 氣象機構的 AI 化不再只是展示——NHC 的實戰採用是個轉折點。
對台灣來說，每年 7–10 月的颱風季是真正的壓力測試。WeatherNext Cyclones 開源後，中央氣象署、技術團隊、甚至民間防災社群都可以直接拿權重做在地測試，看是否能比現行數值模式更早抓到「突然北轉」、「強度爆發」這兩類最難預報的行為。
數據解讀：為什麼 1,000 ensemble 是關鍵
把 ensemble 從 50 拉到 1,000 不是炫技，而是直接對應「快速增強」（rapid intensification）這個氣象學最棘手的難題。RI 指的是 24 小時內風速增加 30 節以上的現象，多半發生在颶風眼牆重建時段。傳統 50-member ensemble 對這種小機率高後果事件的覆蓋率不夠，常常「漏報」——直到衛星影像確認強度已經飆升。
1,000-member 的好處是尾端分佈更厚，能更早把「快速增強」這個低機率訊號頂出來。對防災決策來說，這就是「多 12–24 小時撤離準備時間」的真實由來。配合 FGNs 的機率分佈輸出，預報員不再是看「一條線」決定是否撤離，而是看「有多少 ensemble 成員落在危險區」。
質疑：開源後誰負責？
開源帶來的不只是好消息，也帶來新問題：
- 預報責任歸屬：如果地方政府根據開源 AI 模型做出撤離決策，事後被證明誤報，責任歸誰？
- 資料偏差：WeatherNext 訓練資料以大西洋與東太平洋颶風為主，西北太平洋（含台灣、菲律賓）的颱風結構不同，遷移效果需要在地驗證。
- 極端事件長尾：即便 1,000 ensemble 已大幅提升，對「歷史上前所未見」的風暴（例如 2023 年土耳其地震後罕見地中海颶風），模型仍是外推，必須搭配人為判讀。
Siami 編輯部認為，WeatherNext Cyclones 真正的價值不是取代氣象人員，而是讓他們在「AI 已給出高機率警告」和「衛星影像尚未確認」之間那個關鍵空窗，多 24 小時的決策餘裕。
參考資料
- Google DeepMind 官方部落格：WeatherNext: AI model achieves breakthrough in forecasting cyclones
- Google 官方部落格：Our WeatherNext 2 AI model demonstrated a massive leap forward in predicting cyclones
- OpenSourceForU：Google DeepMind Open Sources WeatherNext AI Cyclone Forecasting Model
- DataNorth：Google DeepMind open sources WeatherNext 2 and WeatherNext Cyclones
- Unite.AI：Google’s WeatherNext 2 Gains a Full Day of Cyclone Warning, Goes Open Source
- Engadget：Google open-sources an AI model it says can help with earlier hurricane warnings
- 官方影片：Predicting a historic storm earlier with WeatherNext（Google DeepMind 官方 YouTube）
網友熱門留言 (3)