Google DeepMind 與 Google Research 發表了 WeatherNext 3，該公司將其描述為迄今最先進的全球天氣預報模型。Brightband 進行的獨立實測評估顯示，無論相較於傳統數值方法或前一代 WeatherNext 2，該系統在預測準確度與空間解析度上都有顯著躍進。

新模型打破既有做法，直接從即時觀測資料學習，而非僅依賴通常有六小時延遲的歷史數值天氣預報資料。WeatherNext 3 每小時接收一次全球地球同步衛星拼接影像，使其能夠以最細五公里的解析度，針對溫度與濕度等地面變數產出逐小時預報。這種轉向 AI 預報的趨勢影響遠超出 Google 自家產品：機器學習預報模型的運算成本通常僅為傳統超級電腦數值天氣預報的一小部分，這項因素也左右著 NOAA、ECMWF 及各國氣象機構採用同類技术的速度。

相較於採用 25 公里網格、六小時步長的 WeatherNext 2，這代表空間精細度提升五倍；風速等大氣變數則以 25 公里解析度處理。系統核心是一個 Functional Generative Network 網格轉換器，同時處理衛星影像與傳統歷史分析資料，原生產出密集網格場、離散氣旋路徑以及測站層級預測。

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

能源預測與全球可用性

在技術精進之外，WeatherNext 3 還為再生能源產業與歷來服務不足的地區帶來專門功能。模型可預測 100 公尺高度風速，並提供高解析度的雲量與太陽輻射估算，讓電網營運商與開發商擁有精確工具，可預測潔淨能源發電量並平衡供給與用電需求。這項能力回應了風能與太陽能占比日益提高的電網長期面臨的營運難題：發電量的波動性需要精確的短期預報來調度機組並維持供電穩定。

由於模型直接以稀疏的氣象站觀測資料訓練，而非使用平滑化的大氣模擬，因此能納入當地地形與極端微氣候變化的影響，這對沿海、山谷與山區社區尤其重要。這套方法對拉丁美洲、非洲與亞太地區尤其關鍵，這些地區的高解析度預報向來受限於傳統區域模型高昂的超級電腦成本。

透過以 NASA 的 IMERG 衛星資料及 Google 自有的全球降水再分析資料訓練，降水準確度顯著提升。獨立評估顯示，相較 IMERG 基準，連續機率排名分數（CRPS）最多改善 60%，相較 MRMS 改善 30%，在較早的預報時效內相較雨量計測量則改善 10%。

Google 已即刻在旗下消費者與企業生態系部署 WeatherNext 3。該模型現已支援搜尋、Gemini、地圖、Google Maps Platform Weather API 與 Earth Engine 的天氣功能。規劃旅行或戶外活動的使用者，可能會發現較長時效的降水預報準確度提升最多 50%，其中以過去缺乏可靠預報基礎設施的地區改善最為明顯。

研究人員與企業可透過 BigQuery 與 Earth Engine 查詢逐小時全球預報資料集，或經由 Google Cloud Storage 批次下載，無需自行部署模型。此次發表延續了 Google 的 WeatherNext 模型系列與 GraphCast 研究，也呼應更廣泛的產業趨勢：大型科技公司与氣象機構的 AI 天氣模型，正日益與傳統物理式預報系統並行使用，而非取而代之。