一句话看懂：Google DeepMind 发布新天气 AI 模型 WeatherNext Cyclones（WN-C），首次用单一系统同时精准预测热带气旋的路径和强度，预测时效比现有主流模型多出约一天，相当于传统气象模型十年的进步幅度。
事件核心：发生了什么
Google DeepMind 联合美国国家飓风中心（NHC）、大气研究合作研究所和英国气象局，开发出专攻热带气旋预测的 AI 系统 WN-C。相关论文已发表在《Nature》上，自 2025 年 6 月起通过 Google Weather Lab 提供实时预测。
数据显示，WN-C 在五天路径预测上的平均误差为 230 公里，优于欧洲中期天气预报中心 ENS 的 370 公里和 DeepMind 上一代模型 GenCast 的 335 公里。三天强度预测上，WN-C 比 NOAA 专业区域模型 HAFS 精确约 3.75 节。在概率性强度预测评分上，WN-C 的表现是 ENS 和 GenCast 的两倍以上。2025 年飓风梅丽莎袭击牙买加期间，该模型曾帮助 NHC 提前预警风暴的快速增强。
值得注意的是，WN-C 使用约 28 公里分辨率的网格数据，比专业区域模型粗糙约百倍，但仍能取得更优预测。即便将分辨率降到 111 公里，表现依然有竞争力。研究者对此的解释是：粗粒度天气数据中包含的强度信息比以往认知的更多，具体机制仍是开放研究问题。
为什么重要
气旋预测领域长期存在一个技术权衡：全球模式擅长预测路径但分辨率不足以判断强度，区域专业模式能精细刻画强度但路径预测会漂移。WN-C 用单个生成式 AI 模型同时解决了两者，验证了“高分辨率不是高精度强度预测的必要前提”这一反直觉结论，可能改变气象 AI 的技术路线。
架构上，WN-C 采用 Functional Generative Networks（FGN），取代了 GenCast 使用的扩散模型。FGN 每个预测步只需一次神经网络前向传播，速度是扩散方法的八倍。此外，模型通过向网络控制层注入噪声而非像素噪声来生成多种物理一致的场景，这让 DeepMind 能将并行预测从 50 次扩展到 1000 次，对捕捉罕见的极端事件更有价值。
训练策略也是关键。团队将约 20TB 的 ECMWF 全球大气分析与约 5000 个历史气旋的结构化数据投影到同一地理网格上联合训练，消融实验证明这种联合训练直接带来性能提升。
对用户/开发者/创作者的影响
对气象机构和防灾部门而言，WN-C 意味着在同等算力下多出大约一天的预警时间，并同时获得更可靠的路径和强度信息，有助于减少误报和漏报。对 AI 开发者来说，FGN 在气象之外的时序预测和物理模拟场景可能也会有参考价值，尤其是用粗粒度输入做高精度推理的思路值得关注。对公众和依赖天气数据的行业——如航空、航运、能源和农业——这意味着更准确的台风登陆范围、风速阈值概率和强度变化趋势，能更早支撑决策。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
目前 WN-C 的定位是补充而非替代传统数值预报，NHC 等机构仍在结合两类模型的输出进行判断。
值得关注的后续
第一，WN-C 是否会向更多国家和地区的机构开放使用，尤其是通过 Google Cloud API 或 Weather Lab 的对外接口。第二，DeepMind 是否会把 FGN 架构应用到其他高影响天气事件（如暴雨、热浪）的预测中。第三，传统气象模型机构是否会调整自身的数据同化和集合预报策略，以应对 AI 模型在相同数据下展现出的更强预测能力。目前公开信息显示，WN-C 的长期实战表现仍待更多季节和更多类型风暴验证。
