WeatherNext 2 与 AI 天气预报的现实
- Aisha Washington
- 6月6日
- 讀畢需時 6 分鐘
已更新：6月17日
2025年11月标志着气象学的一个转折点，随着 WeatherNext 2 的发布。Google DeepMind 的最新系统不仅仅是一篇研究论文；它已被直接推送到 Google Search、Maps 和 Pixel 生态系统的生产线中。其核心指标是速度——曾经在超级计算机上需要数小时的预测，现在在单个 TPU 上运行不到一分钟即可完成。
但速度并不代表准确性。对于试图决定是否带伞的普通用户来说，技术架构远不如结果重要。WeatherNext 2 进入了一个充满质疑的市场。尽管这些工具背后拥有巨大的计算能力，但白皮书中“99.9% 的提升”与步行去公交站时是否会被淋湿之间的差距，仍然是一个争论焦点。本分析将探讨其架构、基准测试，以及为什么你 Android 手机上那只“可爱的青蛙”可能仍然会报错降雨预报。
WeatherNext 2 如何改变 AI 天气预报架构
从上一代 (GenCast) 到 WeatherNext 2 的定义是从标准图神经网络 (GNN) 转向功能生成网络 (FGN)。这不仅仅是术语；它改变了机器“想象”大气层的方式。
之前版本的 AI weather forecasting 经常受到“确定性模糊”的困扰。 当模型不确定未来状态时，它会平均化各种可能性，导致预报看起来很稳妥但缺乏细节。这在气象学上相当于一张模糊的 JPEG。FGN 通过直接在模型架构中注入噪声解决了这个问题。
FGN 与噪声向量策略
这款 Google DeepMind weather model 使用了一种涉及 32 维高斯噪声向量的特定技术。系统不再仅仅根据过去的数据尝试预测确切的未来状态，而是对这种噪声进行采样以生成功能扰动。
这是关键的创新之处：该模型在“边缘分布”上进行训练——即单一位置的单一变量，例如东京特定坐标的温度。它并不显式地在庞大复杂的全球关系网中进行训练。然而，由于那个单一的噪声向量在生成过程中会影响整个全球场，模型被迫学习“联合分布”——即温度、气压、湿度和风力之间互联互通的关系。
这种架构允许 WeatherNext 2 保持物理真实性。它创建的是一个连贯的全球图景，而非独立推测的拼凑。该系统在 0.25 度的经纬度网格上运行，处理 13 个不同压力层级的 6 个大气变量。这是一个庞大的编码器-解码器结构，将平面网格映射到球面网格，使 AI 对其模拟的行星具有几何理解。
性能基准：WeatherNext 2 对比 ECMWF
长期以来，天气预测的黄金标准一直是 European Centre for Medium-Range Weather Forecasts (ECMWF)。在 AI weather forecasting 领域，超越 ECMWF HRES（高分辨率）预报是首要目标。
根据连续概率排位分数 (CRPS)，WeatherNext 2在各项指标上均优于 ECMWF 基准。具体的提升主要集中在短期预报时效内，部分变量的改进幅度达到了 18%。
极端天气预测与热带气旋
这种性能提升带来的最切实的益处在于极端天气预测。传统的基于物理学的模型在处理“集合”问题时非常吃力——为了预见低概率、高影响的事件，需要运行足够多的预测变体，这消耗了巨大的计算资源。由于 WeatherNext 2 的计算成本极低 (预测生成速度提升 8 倍)，它可以高效地运行深度集成（deep ensembles）。
对于热带气旋，这意味着更好的路径误差分析。数据表明，与前几代模型相比，新模型提供了大约“额外一天”的有价值预测能力。在应急响应场景中，提前 24 小时获知气旋路径将显著改变疏散时间表和资产保护策略。
然而，这些基准测试通常依赖于再分析数据 (ERA5)。批评者和气象学家经常指出，在针对历史数据的 CRPS 等指标上获得高分，并不总是与实时、混沌环境中的业务成功 1:1 对应。
“青蛙应用”问题：用户对 WeatherNext 2 的信任
在 WeatherNext 2 的功能与 Google 天气应用默认的用户体验之间存在明显的脱节。发布评论中强调了一个反复出现的主题：“如果模型这么聪明，为什么我昨天还是被淋透了？”
Android 的天气体验（通常以“天气青蛙”为形象）在历史上一直汇总来自各种来源的数据，包括 weather.com 或当地政府的模型。将 WeatherNext 2 集成到 Pixel Weather App update 和 Google Search 中，旨在通过直接的第一方推理取代这些聚合器。
局部事件中的准确性差距
尽管有高层级的指标，Google DeepMind weather model 存在已知的盲点。最显著的是降水。该模型以 ERA5 降水数据为目标，而该数据本身就存在偏差。如果 AI 学习的“地面真值”是有缺陷的，那么输出结果将会是自信但错误的。
用户询问“这能修复那个青蛙应用吗？”时，实际上触及了一个被称为“变量覆盖缺口”的局限性。WeatherNext 2 在预测降水率或云量方面的原生保真度不如温度或风力。它是通过推断得出的。这导致了技术文档中提到的“蜂窝”伪影——预报地图中出现的细微网格图案，它们揭示的是底层处理器的结构，而非实际的天气现象。
整合 Google Search weather 功能意味着每小时更新，但如果底层模型难以处理局部对流降雨（突发雷阵雨），那么当用户站在大雨中时，应用可能仍会显示“多云”。
为什么 AI 天气预报尚不能取代气象学家
一种普遍的说法认为 AI 天气预报使传统气象学变得过时。这误解了像 WeatherNext 2 这样的模型是如何构建的。
正如关于 NWP vs AI 的讨论中所指出的，这些 AI 模型是在数值天气预报 (NWP) 模型的输出基础上进行训练的。它们是模拟器。它们消化了数十年的 基于物理的模拟，以理解大气是如何运动的。如果没有物理学家和流体动力学家创建训练数据（如 ERA5）的基础工作，AI 就没有任何学习来源。
数据依赖循环
WeatherNext 2 并非在向窗外远眺，而是在审视由超级计算机求解的数学方程历史。如果基于物理的模型停止发展，未来 AI 模型的训练数据就会停滞不前。
此外，FGN 的“黑箱”性质给科学探究带来了挑战。物理学家可以根据热力学方程告诉你为什么气压下降会导致风速增加。WeatherNext 2 只知道这种情况会发生，因为它在向量空间中已经见过十亿次了。对于航空和能源交易等行业，了解“为什么”往往与了解“是什么”同样重要，尤其是在模型预测前所未有的事件时。
WeatherNext 2 通过 API（Earth Engine 和 BigQuery）的发布 使得独立验证成为可能。这才是真正考验的开始。当第三方开发者和能源公司开始将他们自有的地面实况数据接入系统时，我们就能看到 18% 的效率提升在现实世界的复杂环境下是否依然稳健。
这种转变是不可否认的。我们正从确定性的、物理优先的方法转向概率性的、数据优先的方法。但在 AI 预测周二突发阵雨的准确度超过推窗远眺之前，屏幕上的天气图标依然只是图形，而非保证。
常见问题解答
Android 默认天气应用是否使用 WeatherNext 2？
Google 已开始将 WeatherNext 2 集成到 Pixel Weather 应用和 Google 搜索结果中。然而，推出过程通常是逐步进行的，并且根据您的具体设备和地区，“小青蛙”界面可能仍依赖于旧的数据源。
尽管有了这些新模型，为什么 Google Weather 仍然经常不准确？
WeatherNext 2 在降水和云量预测方面仍面临挑战，因为它是在具有自身偏差的数据集上训练的。像突发雷暴这样的局部事件，模型很难精确解析到特定的街道或社区。
WeatherNext 2 和 Gemini 是一回事吗？
不是。Gemini 是一个大语言模型 (LLM)，专为文本和代码设计；而 WeatherNext 2 是一个专门为大气物理学构建的功能生成网络 (FGN)。虽然你可以向 Gemini 询问天气预报，但它只是从天气模型中获取数据。
WeatherNext 2 与 ECMWF 模型相比如何？
在采用 CRPS 指标的基准测试中，WeatherNext 2 在 99.9% 的变量上优于 ECMWF 高分辨率模型。它的速度也显著更快，允许更频繁的更新，尽管 ECMWF 仍然是底层物理数据的真实来源。
开发者可以访问 WeatherNext 2 数据吗？
可以。Google 已通过 Google Earth Engine 和 BigQuery 提供了预测数据。企业用户还可以通过 Vertex AI 早期访问计划访问这些功能，以进行自定义集成。
