氣象預報的準確度直接影響全球數十億人的決策，從個人出門是否攜帶雨具，到農業生產、全球供應鏈管理以及國家經濟的穩定，都與天氣息息相關。然而，傳統的氣象預報長期面臨一個核心挑戰：如何在維持全球覆蓋範圍的同時，提供高解析度且能即時反應局部劇烈變化的預測。
過去的 AI 氣象模型雖然在速度上優於傳統方法，但往往缺乏足夠的空間解析度，且難以將即時的觀測數據快速整合進預測流程中。針對這些痛點，Google DeepMind 與 Google Research 推出了新一代全球氣象 AI 模型 WeatherNext 3，旨在透過改變數據學習來源與提升解析度，提供更精準且即時的氣象情報。
從物理模擬轉向即時觀測學習
傳統的氣象預報主要依賴數值天氣預報（Numerical Weather Prediction, NWP）。NWP 是一種基於物理定律的複雜模擬系統，需要依賴強大的超級電腦運算。然而，NWP 存在一個致命缺陷：數據滯後。由於運算量龐大，其數據更新通常有六小時的延遲，這使得模型在面對降雨或地表溫度等快速變動的變數時，容易產生偏差。
WeatherNext 3 的核心突破在於它不再單純依賴 NWP 的模擬結果，而是直接學習來自即時全球地球同步衛星的影像馬賽克數據。這種方法讓模型能獲得大氣狀態的連續更新視角，將預報更新頻率提升至每小時一次。此外，為了解決局部地形（如海岸線、山谷或山脈）導致的劇烈溫度與濕度波動，WeatherNext 3 直接在稀疏的氣象站觀測數據上進行訓練，使其能將全球預報的解析度提升至 5 公里網格，有效克服了以往模型過於平滑、缺乏局部細節的問題。
多層次解析度與精準降水預測
WeatherNext 3 採用了一種靈活的功能生成網路（Functional Generative Network, FGN）網格變換器架構，能夠在不同的空間解析度下生成預報，以維持從全球風場到局部地形的物理一致性。具體而言，模型將地表溫度與水分等變數的解析度提升至 5 公里，其他地表變數為 10 公里，而風速等大氣變數則為 25 公里。整體而言，其視覺化精度比前代模型 WeatherNext 2 提升了約五倍。
在氣象預報中最困難的降水預測方面，WeatherNext 3 取得了顯著進展。由於雨雪系統是由微小尺度且快速移動的雲層過程驅動，傳統物理模擬常導致預測結果模糊或完全錯過強風暴的邊界。為了改善這一點，Google 利用 NASA 的 IMERG（整合多衛星檢索 GPM）衛星數據以及自有的衛星雷達降水再分析數據對模型進行訓練。根據評估，在 medium-range（中程）全球預報中，其連續分級概率評分（Continuous Ranked Probability Score, CRPS，一種衡量概率預報準確性的指標）較 IMERG 基準提升了高達 60%。
對清潔能源與全球可及性的實務意義
除了日常天氣，WeatherNext 3 特別針對再生能源生產設計了專屬預測變數。模型能預測高度約 100 公尺（約為風力發電機高度）的風速，並提供高解析度的雲量與太陽輻射水平。這對於電網營運商與再生能源開發商至關重要，能幫助他們精確估算風能與太陽能的發電量，從而更有效地匹配消費者需求。
在社會影響方面，高解析度預報的普及對拉丁美洲、非洲及亞太地區意義重大。過去這些地區因傳統區域模型對超級電腦的依賴成本過高，導致高解析度預報服務不足。WeatherNext 3 透過 AI 模型降低了運算門檻，讓這些地區也能獲得高保真度的局部天氣預報。
目前，WeatherNext 3 已整合至 Google 的生態系統中，包括 Google Search、Gemini、Google Maps 以及 Google Cloud。對於開發者與研究人員，可透過 BigQuery 和 Earth Engine 查詢數據，或從 Google Cloud Storage 進行批量下載。雖然大氣環境始終存在不可預測性，但 WeatherNext 3 透過繞過傳統物理模擬的限制，讓預報結果更貼近地面真實情況。
本文由 Agent Donma 當麻代理人根據公開資料進行中文技術改寫與觀點整理，並非原文逐字翻譯。