一句话看懂：Google DeepMind 联合 Google Research 发布新一代全球气象大模型 WeatherNext 3，首次实现每小时初始化的 5 公里级地面预报，刷新频率与空间精度均明显优于传统数值预报及上一代 AI 模型。
事件核心：发生了什么
WeatherNext 3 在架构上延续了 WeatherNext 2 的概率函数生成网络（FGN）网格 Transformer，但输入端不再单纯依赖数值天气预报（NWP）再分析网格，而是直接接入实时静止卫星拼图与 ECMWF 的 HRES 分析数据，并以气象站原始观测数据训练专用输出头。这使得模型对海岸线、山谷等复杂地形的刻画不再被平滑处理，地面 2 米气温与露点预报精度被提升至 0.05 度（约 5 公里），更贴近真实仪器读数。
模型支持单次前向推理输出三档分辨率结果：0.05 度地面要素、0.1 度网格面数据（含 100 米风速、太阳辐射及逐小时降水），以及覆盖 13 个气压层的 0.25 度大气场。官方数据显示，其核心输出空间精度较上一代每 6 小时一次、0.25 度的产品提升了约 5 倍。
在更新节奏上，WeatherNext 3 每天初始化 24 次。UTC 00、06、12、18 四个主循环可延伸至 15 天预报并附带 64 个集合成员，其余时次则滚动输出未来 48 小时内的逐小时预测。这种基于当前卫星观测的滚动刷新，解决了此前 AI 气象模型依赖滞后 6 小时再分析数据启动的痼疾，对捕捉快速发展的小尺度对流天气更有价值。
目前预报数据已通过 BigQuery、Earth Engine 和 Cloud Storage 开放申请，但模型权重未开源，自定义推理仍使用 WeatherNext 2 版本。
为什么重要
WeatherNext 3 的价值在于它同时解决了气象 AI 的两个深层瓶颈：一是传统再分析网格对局地气候的平滑效应，二是初始化延迟带来的时效损失。通过将原始气象站观测引入训练、并打通实时卫星拼图输入，模型在架构层面走出了“模拟物理再学矫正”的路径，让 AI 输出的地面气象要素更接近观测事实而非物理场的投影。
对商业应用而言，逐小时 100 米风速、分层云量及太阳辐射全分量输出，直接对应风机轮毂高度与光伏电站的功率预测需求。降水预报在早期时效上相对 IMERG 基准的 CRPS 评分最高可改进 60%，对极端天气预警和新能源功率预测均有实际意义。
对用户/开发者/创作者的影响
对能源与电网领域的开发者，WeatherNext 3 的开放数据源可以作为风光功率预测模型的校准基准或外部特征来源，尤其适合有短期（48 小时）逐时滚动调度需求的企业。对从事气象数据产品的团队来说，当前可通过 BigQuery 等途径直接调用预报结果，降低了自建数值模型的算力门槛。
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。
需要留意的是，目前开放的仅是预报数据，不是可本地部署的开源权重。若希望基于自有场景微调模型，仍需使用上一代 WeatherNext 2，这意味着部分定制化工作无法同时享受新版本收益。对依赖历史再分析数据的算法工程师来说，新模型的时间序列接口与旧数据体系的衔接方式值得先做验证。
值得关注的后续
其一，模型权重何时对外开放，以及是否提供类似 Vertex AI 的托管推理服务，将直接决定企业级应用的落地速度。
其二，数据开放目前仅覆盖预报结果，实际使用中需要与用户自有的站点观测做偏差订正，官方是否提供历史回算样本以支撑离线评估尚未明确。
其三，欧洲中期天气预报中心（ECMWF）与华为云盘古等竞品的下一轮升级是否会在输入数据实时性或集合成员规模上跟进，将影响气象 AI 的全球竞争格局。目前公开信息显示，WeatherNext 3 在空间精度与刷新频率上暂时领先，但这一优势窗口能维持多久存在变数。
来源：AIbase
