Google DeepMind和Google Research于2026年9月3日推出了新型人工智能模型WeatherNext 3，可更详细地追踪大气变化，并更频繁地进行天气预报。Google表示，该模型生成的数据将用于搜索结果、Google Maps和Gemini；此外，用户和研究人员还可以通过Google的云平台访问这些数据。
在Brightband用于比较人工智能预报的Operational WeatherBench测试中，WeatherNext 3在温度、风速和湿度等指标上展现出领先模型中最高的准确率。该模型不仅超过了Google、Microsoft、Nvidia和欧洲中期天气预报中心（ECMWF）的深度学习系统，也超过了美国国家气象局和ECMWF的传统预报。
传统预报通过国家机构的超级计算机处理描述天气物理过程的数学方程来生成。这些系统虽然能够给出准确结果，但成本高且运行相对缓慢。ECMWF于2018年发布了超过半个世纪的天气数据，此后，研究人员开始开发能够更快达到相近准确率的深度学习模型。
WeatherNext 3旨在解决人工智能预报侧重较大范围、在降水预报方面表现较弱以及依赖国家机构格式化数据集等问题。该模型能够以5公里分辨率预测一些基本变量；降水评估结果较WeatherNext 2提升60%，并且能够每小时生成预报，而不是每六小时生成一次。该系统包含的参数数量是上一代模型的2.4倍，经过训练后不仅能够预测飓风路径，还能预测特定气象站可能测量到的天气状况。
由于该模型能够按小时处理实时收集的卫星数据，因此可以更频繁地进行预报。Google表示，WeatherNext 3是“首个”在高分辨率全球预报中直接使用原始观测数据的人工智能模型，而WindBorne WeatherMesh 6自2025年末以来一直在利用原始观测数据。两种模型都依赖国家气象数据集。
人工智能预报的低成本和高速度，可能为贫困地区带来经济效益，因为这些地区由于昂贵的传感器和超级计算机，难以获得准确的天气信息。更详细的风、降水和云层预报预计也将使可再生能源项目更加可靠。
为何重要
这一进展正推动天气预报从依赖政府机构昂贵超级计算机的物理模型系统，转向能够更快处理原始观测数据的人工智能模型。每小时生成且分辨率更高的结果被应用于搜索、Maps和Gemini，意味着预报基础设施的进步将直接进入广大用户的日常信息流。通过云端访问则可能降低研究人员以及无法获得昂贵传感器和计算基础设施的地区的使用门槛；风、降水和云层数据也与可再生能源项目密切相关。不过，该模型对国家气象数据集的依赖、关于其“首个使用原始观测数据的系统”这一说法的争议，以及基准测试中的表现将在多大程度上反映实时条件下的表现，仍是有待回答的问题。
背景
Google并不是FikirPilot档案中的新名字：在过去90天里，我们发布了17篇提到这一名字的报道；最新一篇发表于2026年9月4日。