天氣預報的時代真的變了。

谷歌DeepMind最新發布的WeatherNext 2，讓查天氣這件事升級成了小時級、實時化。

它的運行速度比上一代快8倍，分辨率提高到小時級，也就是說不再是傳統預報里的“明天下午有雨”，而是可以細到“明天2–3點有小雨，3–4點雨勢增強，5–6點逐漸停止”的節奏。

有意思的是，它不只給你一個版本的預測，而是能從同樣的輸入里生成幾十、上百個可能的天氣演化情景。

yuce

傳統超算要忙上好幾個小時的活，它用一個TPU、1分鐘就能做完。

結果是，99.9%的預測變量和時效都超過了上一代WeatherNext，對高溫、暴雨這種極端天氣的影響范圍，也能更早看出端倪。

那氣象預報為什么需要做到這么細呢？

讓模型自己變成小地球

首先，在現實里，很多行業都和天氣綁得很緊。

能源系統看它協調負荷；城市管理看它安排人力；農業看它定節奏；物流、航班更是每天都要盯著它做決策。

而且，大氣系統可以看成一個巨大的混沌機器，任何一個細小的擾動，可能都會影響幾天后的云層走向或降雨范圍。

傳統做法是用大量的“不同初始條件”去跑很多次預測，再從上千個結果里找出大概率的走向。

但這樣一來太耗算力了。

而讓WeatherNext 2變得既快又準的關鍵，是谷歌DeepMind新提出的FGN（Functional Generative Networks）功能生成網絡。

FGN的思路非常不一樣。它并不是堆更多的物理方程，也不去模擬天氣本身，而是通過給模型本體加上一點輕微、但全局一致的隨機擾動，讓模型變成一個會變化的小地球。

更具體來說，FGN在每次預測時都會輸入一個32維的小隨機向量，也就是32個隨機數字。這個隨機向量會穿過模型的所有層，通過控制模型的內部狀態，再由模型自然生成一套完整的未來天氣場。

一次隨機數就是一種未來，再換一組隨機數就是另一種未來。

這是因為FGN讓模型自己成為一個可采樣的隨機函數，通過內部結構把低維噪聲擴散成全球一致的變化模式。它訓練時只優化每個網格點的單點誤差（CRPS），但模型為了同時降低所有點的誤差，被迫學會天氣本身的結構規律，因此能夠自發地產生高維的空間相關性。

這也是為什么32個數字最終能生成高達8700萬維的全球天氣變化，還做到了既連貫、又符合物理結構。

這種看似簡單粗暴的方法還更準。FGN的整體表現全面超過了DeepMind之前最強的GenCast。預測誤差更低、概率表現更好、空間結構更自然，風場、溫度、高度場之間的關系也更加協調；概率分布的寬度更合理，不會過度收縮或過度發散。

在極端天氣上，它的提前預測能力尤其明顯。比如臺風路徑，FGN能比GenCast大約提前24小時達到相同精度，這對應急決策、交通調度來說是很關鍵的。

而且，在1個TPU上，它生成一次15天的全球預報只需要不到1分鐘，比之前快大約8倍。

當然了，FGN方法在真實的預測過程中，高頻變量偶爾會導致一些輕微偽影。

但整體而言，FGN已經夠穩定，夠高效，也夠實用了。

論文地址：https://arxiv.org/abs/2506.10772

參考鏈接：https://x.com/GoogleDeepMind/status/1990435105408418253