---
url: /weathernext/what_is_weathernext_3.md
description: >-
  2026 年 9 月 3 日 Google DeepMind 与 Google Research 发布 WeatherNext 3，首个每小时生成全球预报的
  AI 气象模型，分辨率达 5 公里，降水准确率最高提升 50%，本文详解其架构、真实数据、接入产品与开发者上手路径。
---

# WeatherNext 3：每小时刷新的 5 公里级 AI 天气预报

先看一个几乎人人都踩过的坑。

早上八点，你出门前扫了一眼天气 App，它说"今日多云，降水概率 20%"。你把伞留在了玄关。下午三点，你在距离公司两公里的地方被浇成了落汤鸡——而天气预报里那个覆盖你整个城区的"20%"，其实是拿一个边长 25 公里的方格算出来的。

一个 25 公里的格子，差不多能把半个城区塞进去。城区西边的雷暴和东边的晴天，在模型眼里是同一个数字。

**这不是模型笨，是它看得不够细。**

2026 年 9 月 3 日，Google DeepMind 联合 Google Research 发布了 **WeatherNext 3**。它的核心变化就一句话：把这个格子从 25 公里缩到 5 公里，把刷新间隔从 6 小时压到 1 小时。

听起来像是常规升级，但背后是一次路线切换——**它不再主要靠超算跑物理方程，而是直接吃实时卫星观测数据。**

## 先看硬数据：从 25 公里 6 小时，到 5 公里 1 小时

把两代模型摆在一起看，差异非常直观：

| 维度 | WeatherNext 2 | WeatherNext 3 |
| --- | --- | --- |
| 空间分辨率 | 25 公里网格 | 关键地表变量 **5 公里**，其他地表变量 10 公里，大气变量 25 公里 |
| 刷新频率 | 每 **6 小时** 一次 | 每 **1 小时** 一次 |
| 数据来源 | 主要基于数值天气预报（NWP）模型数据 | 直接摄入**实时地球静止卫星拼图 + 稀疏气象站观测** |
| 数据延迟 | 存在约 6 小时的 NWP 数据滞后 | 基于最新卫星观测，近乎实时 |
| 架构规模 | — | latent size 从 768 增至 **1024**，mesh transformer 从 24 层加深到 **32 层** |
| 整体锐度 | 基准 | 官方口径约 **5 倍** |

分辨率上再拆细一点，不同变量走不同档位：

* **5 公里**：温度、湿度这类关键地表变量（气象站目标变量）
* **10 公里**：其他地表变量
* **25 公里**：风速这类大气变量
* **11 公里**：官方 Figure 3 展示的降水预报示例分辨率

这种"分档"不是偷懒，是取舍。全球风场是大尺度的，用不着 5 公里；但你家楼下的温度受局部地形影响很大，5 公里才够用。官方强调模型在不同尺度之间**保持物理一致性**——从全球风型一路连贯到局部地形，不是各算各的。

## 什么是 WeatherNext 3

**它是一个全球气象预报 AI 模型，也是谷歌目前精度最高的一个。**

按官方博客的说法，WeatherNext 3 是"首个全天候每小时生成预报的全球天气模型"。它现在已经开始驱动 Google 搜索、地图、Gemini 里的天气信息，企业和开发者则可以通过 Google Cloud 拿到底层数据。

> 有个细节值得注意：它**不是一个面向消费者的 App**，你没法下载它。它更像一层基础设施——藏在搜索结果页那个小太阳图标背后，藏在 Maps 的降水图层背后，也藏在 Gemini 回答"明天需要带伞吗"的那句话背后。

它的血统可以往前追到 **GraphCast**。2023 年 DeepMind 发布 GraphCast 时，业界第一次大规模感受到 AI 天气预报的速度优势：约 **1 分钟**生成未来 10 天的全球预报，而传统高水平的数值预报系统需要超算跑数小时；在超过 **90%** 的评估指标上优于 ECMWF 的高分辨率系统 HRES。

WeatherNext 3 是把这类研究成果，从"论文里的系统"变成了"生产环境里的系统"。

## 它凭什么能做到：三个关键设计

### 一、不再等超算，直接读卫星

这是我认为最本质的一条。

包括 WeatherNext 2 在内，多数 AI 气象模型是用**数值天气预报（NWP）模型的输出**来训练的。NWP 本身是超算跑物理方程的结果，准确，但慢，通常有约 6 小时的数据滞后。

WeatherNext 3 换成摄入**实时的 1 小时地球静止卫星拼图**，再叠加传统历史分析数据和稀疏的气象站观测。卫星数据一到，模型就能重算一遍。

**6 小时一次的更新，和 1 小时一次的更新，对雷暴、短时强降水这类快速变化的天气，是两种东西。** 前者你只能知道"今天下午可能下"，后者能告诉你"三点到四点钟这阵雨会过来"。

### 二、一个 FGN mesh transformer 干完所有活

官方给出的架构叫 **Functional Generative Network（FGN）mesh transformer**，单一且灵活。

它的输入是：实时 1 小时卫星拼图 + 传统历史分析。
它的输出是三件事：

* **稠密网格场**（就是那张全球预报图）
* **离散气旋路径**（热带气旋的轨迹是原生输出的，不是事后从网格里抠出来的）
* **站点级稀疏坐标**（直接预测具体气象站位置的数值）

第三点很实用。过去你要知道某个具体站点的温度，得先拿到网格再插值。现在模型原生就能预测站点坐标上的值，也正因为如此，它可以直接拿稀疏的气象站观测数据来训练——这一点后面讲地理覆盖时会再提到。

### 三、给清洁能源单独加了一组变量

这属于"突然发现它在干正事"的部分。

WeatherNext 3 专门面向可再生能源场景预测了几个变量：

* **100 米高度风速**——对应风机轮毂高度，直接关系风能出力
* **高分辨率云量**
* **太阳辐射水平**

100 米风速这个变量看着不起眼，但对风电场是刚需。风机轮毂就在那个高度，过去你得拿近地面风速去推算，误差一路累积。现在模型直接给。

目标是让电网运营商和新能源开发商能更准确地预测"我的资产明天能发多少电"，再和用电需求做匹配。

## 场景：数字比形容词有说服力

### 降水：CRPS 最高改善 60%

官方给出的\*\*连续排名概率评分（CRPS）\*\*改善数据：

| 对比基准 | CRPS 改善幅度 |
| --- | --- |
| IMERG（NASA 卫星降水数据） | 最高 **60%** |
| MRMS | **30%** |
| 雨量计实测（早期预见期） | **10%** |

落到消费者端，官方口径是：提前一天及更久的降水预报，**准确率最高提升 50%**。

### 那些"历史上预报不准"的地方，提升最大

这条我觉得比 60% 更值得说。

官方明确点名了**拉丁美洲、非洲、亚太**的部分地区。这些地方过去因为传统区域模型超算成本太高，长期只能用粗粒度的全球模型，或者依赖稀疏的本地气象站网络。

WeatherNext 3 因为能直接用稀疏站点观测训练，在**留出评估**（把部分气象站从训练数据里剔除，再拿它们验证）中，2 米温度的得分相比 WeatherNext 2 最高提升 **30%**，相比更早版本约 **40%**。

> 说句实话，"AI 又刷新了榜单"这种新闻我看了两年，已经有点麻了。但把高分辨率预报的覆盖范围，从欧美富国扩展到拉美、非洲、亚太的普通城镇——这件事的商业价值可能不高，社会价值挺实在的。一个肯尼亚小农和一个加州农民，理应拿到差不多准的降雨预报。

### 第三方评测：Brightband 实时榜第一

谷歌没有只用自己的数据自证。预报初创公司 **Brightband** 在其 Operational WeatherBench 基准上做了独立的实时评估，结果认为 WeatherNext 3 是其所追踪的领先系统中**最准确的一个**——排在微软、Nvidia 的深度学习气象模型之前，也优于美国国家气象局和欧洲中期天气预报中心的物理预报。

具体排名分数官方博客没给，指向了 Brightband 的实时排行榜（owb.brightband.com）。想较真的可以去那边看实时变动的名次。

### 极端天气：官网挂了飓风 Melissa 的案例

Google DeepMind 的 WeatherNext 官方案例区，放了一篇关于 **WeatherNext 如何帮助美国国家飓风中心更好地预测飓风 Melissa 登陆牙买加**的报道。同时模型原生输出离散气旋路径，这在热带气旋预报上是结构性优势。

这块我得留个心眼：官方博客正文里没有展开 Melissa 的细节，具体数据我没查到，所以这里只作提示，不敢替它吹。

## 怎么用起来

### 普通用户：你大概率什么都不用做

WeatherNext 3 已经开始驱动这些产品的天气信息：

* **Google 搜索**
* **Google 地图**
* **Gemini App**
* **Google Maps Platform Weather API**
* **Google Earth Engine**
* **Google Cloud**

也就是说，你下次在搜索框里输"明天北京天气"，或者在 Gemini 里问"这周末适合爬山吗"，背后的预报来源已经换了一代。

### 开发者：数据可以拿走，模型不用你自己搭

这是我最想让开发者看到的部分——**你不需要复现一个气象模型**。

官方提供了三条取数路径，数据每小时更新，无需模型搭建：

| 方式 | 适合场景 |
| --- | --- |
| **BigQuery 查询** | 做分析、做聚合、跟自有业务数据 join |
| **Earth Engine 查询** | 地理空间分析、栅格计算 |
| **Google Cloud Storage 批量下载** | 要原始数据、要离线处理 |
| **Maps Platform Weather API** | 直接给应用产品加天气能力 |

开发者入口是 [developers.google.com/weathernext](https://developers.google.com/weathernext)。

生产版本的训练数据截至 **2026 年 6 月底**——如果你要复现某个历史时段的对比，这个时间点很关键。

### 想直观看看：Weather Lab

[deepmind.google.com/science/weatherlab](https://deepmind.google.com/science/weatherlab) 是个可视化平台，可以看全球实时预报图层、近实时追踪热带气旋，还能拿实验模型跟传统气象学基准做对比。

**但它是实验性研究平台。** 官方那句提醒请务必记住：正式的天气预报和预警，请以你当地的气象部门或国家气象局为准。

## 冷静一下：三个别上头的地方

**第一，分辨率高不等于极端事件准。** 5 公里网格能让你看清城区的温度分布，但一次突发龙卷风的尺度远小于 5 公里。台风路径、暴雨预警这类事情，气象局的官方预警仍然是唯一该信的东西。

**第二，"最高提升 50%"是上限，不是均值。** 官方措辞是 "up to"，而且特别指出改善最大的恰恰是历史上预报最不可靠的地区。如果你身处一个本来预报就很准的欧美城市，体感提升可能没那么戏剧化。别期待明天开始天气预报就百发百中。

**第三，它还是有超算依赖的。** 我把"AI 取代物理模型"这类标题看了好几遍才确认：WeatherNext 3 减少的是**推理阶段**对超算的依赖，训练阶段依然吃算力，只是它把成本摊到了一次训练上，之后每小时的推理就便宜了。这个区别不小——**它不是让天气预报免费，是让它便宜到可以每小时跑一次。**

> 从 GraphCast 到 WeatherNext 3，谷歌真正在做的事是：把天气预报从"每天发布几次的公共产品"，变成"每小时刷新一次的基础设施服务"。
>
> 前者你是接收者，后者你是调用方。

顺便说一句，这条路的竞争一点都不轻松。微软、Nvidia 和一堆垂直初创公司都在做同一件事——用更便宜的成本跑赢传统物理模型。WeatherNext 3 现在的领先，未必能保持多久。

## 进阶

想继续往下挖，有几个方向值得走：FGN mesh transformer 的具体论文（arXiv:2609.03582）、Brightband 实时排行榜的名次变动、以及 Google Maps Platform Weather API 的接入细节与计费方式。

想了解 Google DeepMind 的整体研究版图，推荐本站的《[认识 Google DeepMind](/deepmind/what_is_google_deepmind)》；如果你更关心 Gemini 模型本身，可以从《[Gemini 介绍](/introduction)》和《[Gemini 3.8 Flash 模型介绍](/gemini_3.8)》入手。

更多开源技术干货和学习资料，关注公众号「遇码」，领取专属福利。