Google DeepMind 在 9 月 3 日正式推出 WeatherNext 3,這是他們迄今最先進的全球天氣 AI 模型。和過去幾代相比,新模型直接把衛星影像作為輸入,不再只靠傳統物理模擬的數據,因此能每小時重新生成一次預報,解析度也提升到 5 公里等級。
天氣預報的瓶頸與新突破天氣預報的價值,往往取決於細節能不能做得夠細——也就是時間和空間的解析度。WeatherNext 3 可以產出每小時更新的多解析度預報,從全球風場到在地地形都能保持物理一致性。地表變數(像溫度、濕度)可以做到 5 公里解析度,其他地表變數 10 公里,大氣變數(如風速)25 公里——整體比上一代銳利大約五倍。
編按:本文綜合整理自 Google DeepMind 官方部落格、arXiv 論文(2609.03582)、Brightband 獨立評測、TechCrunch 報導,並加入 Siami 編輯部觀點與分析。
直接吃衛星影像,跳過六小時延遲
WeatherNext 3 最大的跳躍在於「它學什麼」。過去多數 AI 天氣模型(包括 WeatherNext 2)都是用傳統數值天氣預報(NWP)模型的資料來訓練。NWP 模型雖有用,卻是超級電腦驅動的物理模擬,自帶大約六小時的資料延遲。新版模型改為直接吸收即時的地球同步衛星影像,因此能掌握「此刻」的大氣狀態,產出每小時更新的新預報,最高 5 公里解析度。這項設計對劇烈天氣特別關鍵——當暴風鋒面或降雨系統突然成形時,更新頻率更高的模型才能給出更早、更細的警示。
「這場轉型的重點,是把直接的天氣觀測——從傳統氣象站、探空氣球、衛星——納入 AI 模型。」— Brightband 獨立評測
為稀疏測站建模,覆蓋過去被忽略的地區部分變數(例如溫度、濕度)在短短幾公里內就可能劇烈變化,對住在海岸線、河谷或山區附近的社群特別關鍵。傳統模型在這類區域表現不佳,因為它們訓練用的「大氣代表值」缺乏細節。
WeatherNext 3 直接從稀疏的氣象站觀測資料訓練,因此能在全球 5 公里網格上做預報,並把地形等區域特徵納入考量。這項突破對拉丁美洲、非洲、亞太地區特別重要——這些區域過去受限於傳統區域模型的龐大超算成本,一直拿不到高解析度預報。新模型等於把「在地化、高精細度」的預報帶給數十億人。
- 5 公里解析度的地表溫度與濕度預報
- 25 公里解析度的大氣風場
- 直接吸收地球同步衛星影像(每小時更新)
- 從稀疏氣象站觀測學習地形特徵
為再生能源量身打造的新變數除了解析度與更新頻度的提升,新模型還加入專為再生能源設計的預報變數。模型會預測 100 公尺高度的風速(約略等於風機葉片高度),搭配高解析度的雲覆蓋與太陽輻射資料。這對全球的清潔能源規劃至關重要——電網營運商與再生能源開發商可以更準確預估風場、光電場的發電量,並即時配合用電需求做調度。
降雨預報:60% 的連續排名機率分數提升全球天氣模型對降雨的預測一直很困難。雲內的快速過程發生在極小尺度,傳統物理模擬難以掌握,因此 AI 模型常常只能給出「糊糊的」降雨估值,或直接漏掉局部降雨。為了解決這個問題,WeatherNext 3 同時使用兩個高品質的降雨資料來源來訓練:NASA 的 IMERG 衛星反演產品,以及 Google 自己的衛星雷達全球降雨再分析資料。
結果:對照基準,中期全球降雨預報的 Continuous Ranked Probability Score(CRPS)對 IMERG 提升最多 60%、對 MRMS 提升 30%、對雨量計在短前置時間提升約 10%。
為什麼這件事重要
WeatherNext 3 的關鍵意義,不只在「更準」,而在「更普及」。過去高解析度區域天氣預報是超級電腦與國家級機構的專屬資源。一個非洲農民、亞太漁民、拉美小農場主想拿到「五公里解析度、未來六小時會不會下雨」這種等級的預報,過去幾乎不可能。現在 WeatherNext 3 透過 BigQuery、Earth Engine、Google Maps Platform 與 Google Cloud Storage 提供 API,開發者可以直接串接。更深一層的意義是,它把「氣象預報」從「物理模擬」轉成「資料學習」。AI 模型可以直接從原始觀測學會預報,不一定要先經過 NWP 的中介。這代表未來的天氣預報速度、覆蓋率、更新頻率都可能出現結構性的改變——而這正是 Google、華為、輝達、微軟這些大公司近年集體投入 AI 天氣模型的原因。不過,這並不代表人類氣象學家會被取代。預報模型的輸出仍需要有人做在地化決策、溝通、極端事件解釋。AI 改變的是「誰來做例行預報」,而不是「誰負責把預報轉成行動」。
數據解讀與質疑幾個值得進一步追蹤的點:
1. 訓練資料偏差問題。 WeatherNext 3 從稀疏測站學習,但全球測站分布極度不均——北美、歐洲、日本密集,非洲、太平洋小島稀疏。模型在「未見過的測站」上表現雖然仍優於同類,但這個「優於」是相對值,絕對誤差可能仍然偏高。這對小島型、開發中國家的應用是關鍵風險。
2. 颱風路徑預報沒強調。 2025 年 11 月 WeatherNext 2 發表時主打「提前一天預測颱風」,但 WeatherNext 3 的官方資料沒有把颱風預報拉出來比較。可能是因為新一代模型已經把颱風路徑當成「標準變數」,但也可能是因為新模型在這項指標上沒有顯著進步。需要看後續獨立的颱風預報評測才能確定。
3. 商業化策略。 Google 把 WeatherNext 3 同步整合進 Search、Gemini、Maps 與 Google Cloud,這是少見的「研究→產品→商業」一條龍模式。對開發者來說是好消息(可以直接串接 API),但也意味著天氣預報這項基礎公共服務正在快速被大公司平台化。
4. 與 ECMWF 等傳統機構的競合。 歐洲中期天氣預報中心(ECMWF)一直以來是全球最權威的預報機構,AI 模型崛起後他們也開始擁抱 AI。WeatherNext 3 的出現,會讓「公共機構 vs 商業平台」的界線更模糊。
外界怎麼看
- Hacker News(322 讚,當日科技新聞前段班):網友對「直接吃衛星影像」這點最有感,認為是 AI for Science 的又一次重要突破。也有網友抱怨官方頁面的「Try WeatherNext 3」按鈕會把人帶到奇怪的頁面,UI 需要改善。
- Brightband 獨立評測:在 8 月份 30 天的連續實測中,WeatherNext 3 在 26 天的 2 公尺溫度預測誤差最低,超越自家前一代 WeatherNext 2 與其他同類模型。
- DeepMind 團隊成員 Peter Battaglia(LinkedIn):強調這次模型對農民、牧場主人特別有用,能把高解析度預報帶到拉美、非洲、亞太這些過往被忽略的地區。
- 氣象學家社群(LinkedIn):認為 AI 不會取代人類氣象學家,但會大幅改變他們的角色——從「自己做預報」轉向「把 AI 預報轉譯成在地決策」。
怎麼用
WeatherNext 3 目前已在以下平台開放存取:
- BigQuery / Earth Engine / Google Cloud Storage:高解析度預報資料(API 串接)
- Google Maps Platform:在地預報圖層
- Google Search / Gemini:終端用戶直接查詢
- Weather Lab(deepmind.google.com/science/weatherlab):互動式預報探索平台模型本身已在 GitHub 開源(google-deepmind/weathernext),研究團隊是 Rasp、Babenko、Masters 等 25 人。天氣預報這個領域,正在快速從「物理模擬的天下」變成「AI 學習的競技場」。WeatherNext 3 不是終點,但它把「每小時、5 公里、直接從衛星學」這條路線徹底走通——下一個問題是,誰能把這條路線鋪到每一個需要它的角落。
網友熱門留言 (5)