Article Link: https://blog.google/technology/google-deepmind/weathernext-2/
（以下内容翻译自Gemini-2.5，仅供参考）
2025年11月17日 ｜ WeatherNext 2：我们最先进的天气预报模型
天气影响着我们每天做出的重要决定——从全球供应链和航班路线到日常通勤。近年来，人工智能（AI）极大地提升了天气预报的能力及其应用方式。
今天，谷歌DeepMind和谷歌研究院联合发布了WeatherNext 2 ，这是我们迄今为止最先进、最高效的天气预报模型。WeatherNext 2的预报速度提升了8倍，分辨率最高可达1小时。这一突破得益于一种全新的模型，该模型能够提供数百种可能的天气情景。利用这项技术，我们通过实验性的气旋预报，帮助气象机构根据一系列不同的情景做出决策。
现在，我们正将研究成果从实验室推向用户。WeatherNext 2 的天气预报数据现已在Earth Engine和BigQuery中提供。此外，我们还将在 Google Cloud 的 Vertex AI 平台上启动一项早期访问计划，用于自定义模型推理。
通过整合 WeatherNext 技术，我们现已升级了 Google 搜索、Gemini、Pixel Weather 和 Google 地图平台天气 API中的天气预报功能。未来几周，该技术还将助力 Google 地图提供天气信息。
预测更多可能的情况
我们利用独立训练的神经网络，通过向函数空间注入噪声，从单个输入中产生连贯的变化，从而在天气预报预测中产生变化。
天气预报需要涵盖所有可能性——包括最糟糕的情况，而最糟糕的情况才是最重要的，需要提前做好规划。
WeatherNext 2 可以从单一起点预测数百种可能的天气结果。在单个 TPU 上，每次预测只需不到一分钟；而在使用基于物理模型的超级计算机上，则需要数小时。
我们的模型也非常先进，能够进行更高分辨率的预测，精确到小时。总体而言，WeatherNext 2 在 99.9% 的变量（例如温度、风、湿度）和预测时长（0-15 天）上都超越了我们之前最先进的 WeatherNext 模型，从而能够提供更实用、更准确的预测。
这种性能的提升得益于一种名为功能生成网络(FGN) 的新型 AI 建模方法，该方法直接将“噪声”注入模型架构中，从而使其生成的预测结果在物理上保持真实性和相互关联性。
这种方法对于预测气象学家所说的“边缘参数”和“联合参数”尤为有效。边缘参数是指独立的、单个的天气要素：例如特定地点的精确温度、特定高度的风速或湿度。我们方法的创新之处在于，模型仅基于这些边缘参数进行训练。然而，通过这种训练，模型能够巧妙地预测“联合参数”——大型、复杂且相互关联的系统，这些系统依赖于所有独立要素如何相互配合。这种“联合参数”预测对于我们最有用的预测至关重要，例如识别受高温影响的整个区域，或预测整个风电场的预期发电量。
连续排名概率评分 (CRPS) 对比 WeatherNext 2 和 WeatherNext Gen
从研究到现实
通过 WeatherNext 2，我们将前沿研究成果转化为具有高影响力的应用。我们致力于推进这项技术的最新发展，并将我们最新的工具提供给全球用户。
展望未来，我们正积极研究如何改进模型，包括整合新的数据源，并进一步扩大访问权限。我们希望通过提供强大的工具和开放数据，加速科学发现，并赋能全球研究人员、开发人员和企业组成的生态系统，共同应对当今最复杂的问题，并为未来发展奠定基础。WeatherNext2的预报数据现已登陆EarthEngine和BigQuery平台。 | 
发表于 2025-11-18 00:59
