一句话看懂：Google DeepMind 发布了新一代 AI 天气预测模型 WeatherNext 3，首次将分辨率提升至 5 公里、支持逐小时预报，并在降雨预测准确率上比上一代提升 60%。该模型将直接接入 Google 搜索、地图和 Gemini，意味着 AI 天气预测开始从科研走向大众产品的核心数据源。
事件核心：发生了什么
9 月 3 日，Google DeepMind 与 Google Research 联合发布了 WeatherNext 3，这是一个基于深度学习的大气预测模型。它在第三方评测平台 Operational WeatherBench 上表现优于 Google 上一代模型、Microsoft、Nvidia、ECMWF（欧洲中期天气预报中心）以及美国国家气象局的传统预报系统。
与多数依赖政府超算运行物理方程的传统预报不同，WeatherNext 3 直接处理每小时更新的卫星原始观测数据，而非仅使用格式化后的分析数据。Google 称，这是“首个”直接注入原始观测数据并产出全球高分辨率预报的 AI 模型。其关键改进包括：分辨率从 15–25 平方公里细化到 5 公里；降雨评估误差较 WeatherNext 2 降低 60%；预报频次从每 6 小时一次提升至每小时一次。
该模型的参数量是上一代的 2.4 倍，并在训练中将解码器目标对准特定气象站点的实测数据，以增强局部预测能力。Google 高级员工工程师 Samier Merchant 表示，WeatherNext 3 的核心输出将首次“喂养”Google 搜索、Google Maps 与 Gemini，并向 Google Cloud 用户开放。
为什么重要
这场由深度学习掀起的天气预测变革，正在挑战一个长期由政府机构和超算垄断的技术领域。传统物理模型虽然精准，但计算成本高、速度慢。2018 年 ECMWF 公开超过半个世纪的再分析数据后，AI 模型得以用更少算力实现接近甚至超越传统预报的精度。
WeatherNext 3 的突破在于解决了此前 AI 天气模型的三个明显短板：空间分辨率粗糙、降雨预测弱、依赖格式化数据集。直接吸入卫星原始观测数据，意味着模型不再“隔一层”理解大气状态，这对极端天气的短临预报尤为关键。技术路线上，它采用多任务端到端训练——直接预测特定气象站（如丹佛机场）的小时级数据，将预报任务更紧密地连接到实际验证的“地面真值”。
商业与生态层面，Google 将这一模型直接嵌入搜索、地图和 Gemini，标志着天气这类高频、大众化的 AI 应用开始真正驱动核心产品体验。同时，AI 模型的低成本与高速度，也让高质量天气预报有机会覆盖此前无力承担超算与传感器成本的欠发达地区。
对用户/开发者/创作者的影响
对普通用户而言，最直观的变化是 Google 生态内的天气信息将有更细的空间粒度与时间频率——5 公里级分辨率和逐小时更新意味着手机上的降雨提醒能精确到街区和具体时段。对开发者，WeatherNext 3 将通过 Google Cloud 提供访问接口，适合需要集成高精度天气数据的地图类、物流或农业应用；但需注意，Google 指出的直接原始数据同化优势并非独占——创业公司 WindBorne 表示其 WeatherMesh 6 自 2025 年底起就已融合自有气象气球及多源原始观测数据，不过 Google 强调自身模型在全球范围分辨率更高。
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。
对内容创作者与 AI 应用开发者，这类模型也提示了一个趋势：多模态大模型处理非结构化时序数据（如卫星图像、传感器流）的能力正逐渐成熟，天气是继文本、图像之后又一个被 transformer 架构改变的垂直领域。
值得关注的后续
目前公开信息显示，WeatherNext 3 尚未披露具体上线时间与 API 定价，以下是几个值得跟踪的观察点：一是该模型是否会在 Google 搜索和地图中默认替换现有第三方天气数据源，以及移动端是否随通知推送实时降雨预警；二是 WindBorne 等竞品是否会在分辨率或原始数据融合深度上跟进，形成类似开源权重与闭源服务的分化；三是 ECMWF 与美国国家气象局是否会加快将 AI 模型接入正式预报流程——它们已在部分产品中使用 AI，但融合强度与监管认可仍需验证。
