Google DeepMind 与 Google Research 推出了 WeatherNext 3，该公司称其为迄今最先进的全球天气预报模型。Brightband 进行的独立实时评估显示，相较传统数值方法和上一代模型 WeatherNext 2，该系统在预测准确率和空间分辨率方面实现了显著飞跃。

新模型打破了既有惯例，直接从实时观测中学习，而非仅依赖通常存在六小时滞后的历史数值天气预报数据。WeatherNext 3 每小时摄取一次全球静止卫星拼图，从而能够以最高五公里的分辨率逐小时生成温度和湿度等地表变量预报。向 AI 预报的转型意义远不止谷歌自身产品：机器学习预报模型的计算成本通常仅相当于传统超级计算机数值天气预报的一小部分，这一因素影响着 NOAA、ECMWF 及各国气象服务等机构采用类似技术的速度。

这意味着空间精度较 WeatherNext 2 提升了五倍——后者采用 25 公里网格和六小时步长运行；包括风速在内的大气变量则按 25 公里分辨率处理。系统核心是一个 Functional Generative Network 网格 Transformer，可同时处理卫星图像和传统历史分析数据，原生输出密集网格场、离散气旋路径以及站点级预测。

Introducing WeatherNext 3, our most advanced and accurate global weather AI model to date, from @GoogleDeepMind and @GoogleResearch. This new forecasting model learns directly from real-time observations, and uses raw satellite data to produce a forecast every hour in high… pic.twitter.com/WlljsjiSfy — News from Google (@NewsFromGoogle) September 3, 2026

能源预报与全球可用性

在技术改进之外，WeatherNext 3 还为可再生能源行业和长期服务不足的地区带来了专门能力。该模型可预报 100 米高度风速，并提供高分辨率云量和太阳辐射估算，为电网运营商和开发商提供精确工具，用以预测清洁能源发电量并在供给侧与消费需求之间取得平衡。这一能力解决了风电和太阳能占比不断上升的电网长期面临的运营难题——发电量的波动性需要精准的短期预报来安排调度并维持可靠性。

由于直接基于稀疏的气象站观测而非平滑的大气模拟进行训练，该系统能够考虑局地地形和极端微气候差异，这对沿海、山谷和山区社区尤为重要。这一方法对拉丁美洲、非洲和亚太地区意义重大，这些地区的高分辨率预报历来受制于传统区域模型高昂的超级计算成本。

通过在 NASA 的 IMERG 卫星数据和谷歌自有全球降水再分析数据上训练，降水预报准确率显著提升。独立评估显示，相较 IMERG 基准，Continuous Ranked Probability Score 最高改善 60%，相较 MRMS 提升 30%，在早期预报时效上相较雨量计测量提升 10%。

谷歌已立即在其消费者和企业生态中部署 WeatherNext 3。该模型现已为 Search、Gemini、Maps、Google Maps Platform Weather API 以及 Earth Engine 中的天气体验提供支持。计划出行或户外活动的用户可能会遇到在较长时效内准确率提升最高 50% 的降水预报，其中提升最明显的是此前缺乏可靠预报基础设施的地区。

对于研究人员和企业，逐小时全球预测数据集可通过 BigQuery 和 Earth Engine 查询，或通过 Google Cloud Storage 批量下载，无需专门部署模型。此次发布延续了谷歌 WeatherNext 系列模型及 GraphCast 的工作，也是行业整体趋势的一部分——来自大型科技公司和气象机构的 AI 天气模型正越来越多地与传统物理预报系统并行使用，而非取而代之。