天气会影响我们每天做出的重要决策——从全球供应链和飞行航线，到你的日常通勤。近年来，人工智能（AI）极大提升了天气预报的能力，以及我们使用天气预报的方式。

今天，Google DeepMind 和 Google Research 推出了 WeatherNext 2，这是我们最先进、最高效的预报模型。WeatherNext 2 生成预报的速度可提升 8 倍，分辨率最高可达 1 小时。这一突破由一个能够提供数百种可能情景的新模型实现。借助这项技术，我们已通过实验性气旋预测，支持气象机构基于一系列情景做出决策。

我们现在正把研究从实验室带到用户手中。WeatherNext 2 的预报数据现已在 Earth Engine 和 BigQuery 中提供。我们还在 Google Cloud 的 Vertex AI 平台上推出用于自定义模型推理的早期访问计划。

通过纳入 WeatherNext 技术，我们现已升级 Search、Gemini、Pixel Weather 以及 Google Maps Platform 的 Weather API 中的天气预报。未来几周，它还将帮助驱动 Google Maps 中的天气信息。

预测更多可能情景

天气预测需要捕捉全部可能性，包括最坏情景，而这些情景对规划最为重要。

WeatherNext 2 可以从单一起点预测数百种可能的天气结果。每一次预测在单个 TPU 上用时不到一分钟；而使用基于物理的模型在超级计算机上运行则需要数小时。

我们的模型还具有很高的技能水平，并能够进行更高分辨率、精确到小时的预测。总体而言，WeatherNext 2 在 99.9% 的变量（如温度、风、湿度）和预报时效（0—15 天）上超过了我们此前最先进的 WeatherNext 模型，从而实现更有用、更准确的预报。

这一性能提升得益于一种名为函数生成网络（Functional Generative Network，FGN）的新 AI 建模方法。该方法将“噪声”直接注入模型架构，使其生成的预报保持物理上的现实性和相互关联性。

这种方法对于预测气象学家所称的“边缘分布”和“联合分布”尤其有用。边缘分布是单个、独立的天气要素：特定地点的精确温度、某一高度的风速或湿度。我们方法的新颖之处在于，模型只在这些边缘分布上进行训练。然而，通过这种训练，它学会了熟练预测“联合分布”——即大型、复杂、相互关联的系统，这些系统取决于所有单个组成部分如何组合在一起。这种“联合”预测是我们最有用预测所必需的，例如识别受高温影响的整个区域，或预测风电场的预期发电量。

从研究走向现实

通过 WeatherNext 2，我们正在把前沿研究转化为高影响力应用。我们致力于推动这项技术达到最新水平，并让全球社区能够使用我们的最新工具。

展望未来，我们正在积极研究提升模型能力的方法，包括整合新的数据源，并进一步扩大访问范围。通过提供强大的工具和开放数据，我们希望加速科学发现，并赋能由研究人员、开发者和企业组成的全球生态系统，帮助其就当今最复杂的问题做出决策，并为未来进行构建。

要了解更多关于 Google 地理空间平台和 AI 工作的信息，请查看 Google Earth、Earth Engine、AlphaEarth Foundations 和 Earth AI。

了解更多关于 WeatherNext 2 的信息

• 阅读我们的论文
• WeatherNext 开发者文档
• 探索 Earth Engine Data Catalog
• 在 BigQuery 中查询预报数据
• 报名参加 Cloud Vertex AI 早期访问计划

• 正文：Google DeepMind
• AI 产品
• 正文：Google Research