谷歌推出新的人工智能天氣模型，實現更快速、更準確的天氣預報

簡要

• WeatherNext 2在不到一分鍾的時間內生成數百個全球預測，使得比傳統模型更頻繁的情景更新成爲可能。
• 谷歌已經在搜索、Gemini、Pixel天氣和地圖等系統中使用該系統，並計劃進行更廣泛的推廣。
• 一種新的建模方法，功能生成網路，提高了關鍵指標的準確性，包括極端風和氣旋追蹤。

Decrypt的藝術、時尚和娛樂中心。

深入了解 SCENE

谷歌DeepMind於周一推出了一種新的人工智能驅動的天氣預報系統，能夠以傳統工具的八倍速度生成全球天氣預測。

被稱爲WeatherNext 2，該系統被定位爲幫助機構更快地爲嚴重天氣條件做準備的工具，因爲世界仍在應對因氣候變暖而頻繁發生的自然災害。

爲此，它從一個起點生成數百個可能的場景，每個場景在一個由谷歌開發的專用芯片（Tensor Processing Unit）上計算，時間少於一分鍾，以加速機器學習和人工智能工作負載。

“我們依賴準確的天氣預測來做出關鍵決策——從供應鏈到能源網再到農業規劃，” 谷歌DeepMind研究科學家彼得·巴塔利亞在X上寫道。“人工智能正在改變我們預測天氣的方式。”

天氣影響着一切和每一個人。我們與 @GoogleResearch 合作開發的最新 AI 模型正在幫助我們更好地預測天氣。⛅

WeatherNext 2 是我們迄今爲止最先進的系統，能夠生成更準確、更高分辨率的全球預測。以下是它的功能 - 以及原因… pic.twitter.com/yVdFFlAHpE

— 谷歌深度學習 (@GoogleDeepMind) 2025年11月17日

<br>

在谷歌產品中的部署

WeatherNext 2 預報已在 Search、Gemini、Pixel Weather 和 Google Maps Weather API 中運行，稍後將提供更廣泛的支持。

“我們正在與谷歌團隊合作，將WeatherNext集成到我們的預測系統中，” WeatherNext 2的產品經理Akib Uddin在一份聲明中表示。“無論您是在搜索、Android還是谷歌地圖上，天氣都影響着每個人，因此通過更好的天氣預測，我們能夠幫助每個人。”

DeepMind表示，傳統模型可能需要數小時，這限制了場景更新的頻率。該公司聲稱，通過使用先進的人工智能，WeatherNext 2在性能上超越了其早期的操作模型WeatherNext Gen。

“這比我們去年發布的先前概率模型快大約八倍，分辨率方面也大六倍，” Battaglia在一份聲明中表示。“因此，它的步長從六小時變爲一小時。它在我們測試的99.9%的變量上優於之前的天氣下一代模型。”

在實際操作中，這意味着新系統幾乎在所有地方和15天窗口的每一個點上都產生了更準確的溫度、風速、溼度和氣壓預測。

DeepMind將這些收益歸因於一種新的建模方法，該方法在6月的關於功能生成網路（Functional Generative Networks，FGN）的研究論文中進行了描述，該方法改變了系統表示不確定性和生成預測變體的方式。

一種新的建模方法

根據谷歌，FGN 僅針對單變量預測或 “邊際” 進行訓練，例如特定位置的溫度、風或溼度。

盡管如此，該模型學習這些變量之間的相互作用，使其能夠預測更廣泛的相互聯繫的模式，例如區域熱事件和氣旋行爲。

谷歌表示，FGN在極端兩米溫度預測方面與GenCast相匹配，並在極端十米風速預測方面超過了它，這取決於變量。

該模型在不同時間段的校準效果更強，並且在對較大區域而非單個點進行評估時表現更佳。

使用連續排名概率評分——一種標準的準確性指標，用於檢查模型預測結果的全範圍與實際發生情況的匹配程度——該論文報告了與GenCast相比，平均池化CRPS的平均改善爲8.7%，最大池化CRPS的平均改善爲7.5%。

氣旋預報性能

FGN 還改善了熱帶氣旋預報。

與國際最佳軌跡氣候管理檔案的歷史軌跡相比，集合平均預測在三到五天的預測中將位置誤差減少了約24小時的提前期。

在12小時時間步長下運行的FGN版本顯示出比六小時版本更高的誤差，但在兩天以上的預測時段內仍然優於GenCast。

跟蹤概率預測顯示，在大多數成本-損失比率和提前期中，相對經濟價值更高。

DeepMind表示，使用此技術構建的實驗性氣旋預測工具已與氣象機構分享。

"你可以獲得更準確的天氣預報，而且速度更快，這幫助每個人做出正確的決策，尤其是當我們開始看到越來越多的極端天氣時，"烏丁說。“我認爲更好的天氣預報有廣泛的應用前景。”