你手机里的天气预报，很可能马上就要换一副“脑子”了。
今天（9月3日），Google DeepMind 和 Google Research 联合发布了新一代 AI 气象模型 WeatherNext 3。这不仅是又一款跑分更高的深度学习模型——它首次将 AI 气象预报直接接入 Google 搜索、Google Maps 和 Gemini，成为这些十亿级用户产品的核心天气数据源。
“This is going to be the first time that some of the core variables feed and power a lot of the Google products，” Google 高级软件工程师 Samier Merchant 告诉 TechCrunch。
换句话说，如果你明天打开 Google 搜“今天会不会下雨”，看到的答案背后，可能已经不是传统气象局的超级计算机跑出来的结果，而是一个深度学习模型在数十年的气象数据中学到的“直觉”。
一场压倒性的跑分胜利
WeatherNext 3 的发布，靠的不是 Google 自己的发布会宣传。真正让它出圈的，是一个第三方基准测试的结果。
由 AI 气象创业公司 Brightband 搭建的 Operational WeatherBench，是一个专门用来横向比较 AI 气象模型的公开评测平台。它考核的核心指标包括温度、风速、湿度等标准气象变量的预测精度。WeatherNext 3 在这个测试中拿下了全场第一。
击败的对手名单几乎覆盖了整个 AI 气象赛道：Google 自己的前代模型 WeatherNext 2，Microsoft 的 Aurora，NVIDIA 的 FourCastNet，ECMWF（欧洲中期天气预报中心）的 AIFS。甚至，它还超过了美国国家气象局和 ECMWF 的传统物理预报系统。
这不是一项“略胜一筹”的胜利。在降水预报上，WeatherNext 3 相比 WeatherNext 2 提升了 60%，分辨率从早期 AI 模型常见的 15—25 平方公里一举压缩到 5 公里，预报频率也从标准的每 6 小时一次提升到了每小时一次。从“大概知道明天什么天气”到“知道你家楼下几点会下雨”，这个跨越，用了一代模型的时间。
三座大山，一次翻越
AI 气象模型过去几年一直被三个问题困扰。分辨率不够，早期模型预测的是 15—25 平方公里网格内的平均状况，对用户来说和没说差不多。降水预测不准，降水是高度局地化、高非线性度的变量，AI 模型屡屡栽在这上面。预报频率低，大多数 AI 模型每 6 小时才输出一次，在一天变化多次的天气面前时间粒度太粗。
WeatherNext 3 的团队做了三件事：把模型参数扩大到前代的 2.4 倍，针对解码头做定制化调优，还能输出气旋路径等可视化结果；把预测分辨率做到 5 公里，接近传统高精度区域模型水平；将预报频率提升到每小时一次。
“天气是混沌的，微小的差异会引发巨大的扰动……机器学习解决的是我们真正要面对的问题：在信息不完备、算力有限的情况下，从大量数据中学习近似的含噪物理规律。”——DeepMind 研究员 Ferran Alet
每小时预报的实现，关键在数据源。WeatherNext 3 能直接接入气象卫星实时采集的数据，而不是依赖传统超级计算机生成的格式化分析数据。这意味着模型第一次摆脱了“先有超级计算机跑出分析数据，AI 模型才能开始工作”的依赖链。
从“做题家”到“实干家”：Google 的产品化赌注
如果说准确率的提升是“常规操作”，那 WeatherNext 3 真正值得关注的，是 Google 对它的产品化态度。过去几年，AI 气象模型大多停留在论文和演示阶段。Google 自己 2023 年发布的 GraphCast 登上 Science 封面，但它只是一个研究项目，没有进入任何 Google 产品。Huawei 的 Pangu-Weather 发表在 Nature 上，跑出了 10000 倍于传统模型的速度优势，但也没有变成面向消费者的服务。
WeatherNext 3 不一样。Google 搜索的天气结果、Google Maps 上的出行天气提示、Gemini 中关于天气的回答——这些十亿级日活产品的天气信息来源，将开始由 WeatherNext 3 提供。此外，Google Cloud 也会向企业用户和研究人员开放该模型的 API。
这个动作的深层含义是：Google 赌的不是“AI 模型比传统模型准一点”，而是“AI 模型已经准到可以替代传统模型，而且成本更低、更新更快”。
传统气象预报的背后是政府拥有的超级计算机，使用复杂的数学物理方程组模拟大气运动。这套体系已经运行了几十年，准确度很高，但极其昂贵，一次完整的全球预报可能需要数小时。ECMWF 在 2018 年开放了超过半个世纪的再分析数据，直接催生了 AI 气象模型的爆发。但 AI 模型的输出结果，仍然需要依赖传统超级计算机构建的分析数据作为输入。
WeatherNext 3 打破了这层依赖。它直接吃原始观测数据——卫星每小时传回的实时数据——然后自己产出高分辨率全球预报。Google 说它是“首个直接融合原始观测数据进行高分辨率全球预报的 AI 模型”。
但这不是没有争议。AI 气象创业公司 WindBorne 声称，它的模型 WeatherMesh 6 从 2025 年底就开始融合原始观测数据，来自其自有的气象气球舰队。Google 对此的回应是：WeatherNext 3 的预报分辨率更高。Brightband 的大气科学家 Daniel Rothenberg 则从另一个角度肯定了这种技术路线：“使用很多 AI 应用时的理念，是尽可能端到端地运行任务。增加一个能力，让模型现在也能预测丹佛机场的气象站每小时会测到什么，这直接把预报任务连接到了核心。”
谁在定义下一代天气预报
AI 气象赛道正在快速从“论文竞赛”走向“产品竞赛”。
ECMWF 在 2026 年 5 月做出了一个重要决定：停止在其实时运行环境中运行外部 AI 模型。理由并非技术否定——ECMWF 明确表示这些模型“对推动该领域做出了重大贡献”——而是因为这些第一代 AI 模型“越来越过时”。当 ECMWF 升级自己的 IFS 系统到 50r1 版本后，GraphCast 和 Aurora 出现了性能退化，Pangu-Weather 和 FourCastNet 虽然影响中性，但缺乏降水预报限制了它们的价值。ECMWF 转而专注于自研的 AIFS 系统。
WindBorne 走的是硬件加数据的路线。它拥有自己的气象气球舰队，一种低成本的高空气象探测手段，每小时生成数千个大气剖面数据。WeatherMesh 6 直接用自己的数据训练和推理，避开了对政府气象数据的依赖。
Brightband 则在扮演“裁判”角色。它的 Operational WeatherBench 已经成为行业事实标准——谁在上面跑分高，谁就有资格说自己的模型最好。这种“卖水人”的角色，在市场竞争中往往掌握着话语权。
而 Google 的策略是三重：模型能力（跑分第一）、数据源头（直接吃卫星数据）、产品管道（接入搜索/地图/Gemini/Cloud）。在三者兼具的玩家中，目前还没有第二个。
无声的准确，才是最好的技术
AI 气象模型正在经历从“实验室”到“产品”的跨越。这个跨越的标志不再是论文被接收，而是模型能不能跑在十亿用户的产品后端。WeatherNext 3 接入 Google 产品线，意味着它已经通过了 Google 自己的产品化审核——这比任何 benchmark 分数都更有说服力。
依赖关系在逆转。过去 AI 模型依赖传统超级计算机提供分析数据，现在它们可以直接消费原始观测数据。传统 NWP 系统的“数据预处理”功能正在被 AI 模型自己替代。长期来看，NWP 的价值链可能被瓦解——至少在短期和中程预报领域。
数据所有权的竞争将加剧。WindBorne 有自己的气球舰队，Google 拥有全球最大的卫星数据接入能力，ECMWF 掌控着最完整的历史气象再分析数据。谁的数据源更丰富、更实时、更多样，谁就能训练出更好的模型。
但最重要的一点是：用户不会感知到任何变化。你不会看到手机天气 App 上多出一行“Powered by Google WeatherNext 3”。你只会发现——Google 告诉你今天会下雨，结果真的下了。这个“无声的准确”，才是 AI 气象模型真正的产品化终点。
在气象这件事上，AI 不再只是跑分比人准的“做题家”。它开始替人类做预报了——而你连它的存在都不会注意到。这就是最好的技术。
快报