天气预报的时代真的变了。

谷歌 DeepMind 最新发布的WeatherNext 2，让查天气这件事升级成了小时级、实时化。

它的运行速度比上一代快 8 倍，分辨率提高到小时级，也就是说不再是传统预报里的 " 明天下午有雨 "，而是可以细到 " 明天 2 – 3 点有小雨，3 – 4 点雨势增强，5 – 6 点逐渐停止 " 的节奏。

有意思的是，它不只给你一个版本的预测，而是能从同样的输入里生成几十、上百个可能的天气演化情景。

传统超算要忙上好几个小时的活，它用一个 TPU、1 分钟就能做完。

结果是，99.9% 的预测变量和时效都超过了上一代 WeatherNext，对高温、暴雨这种极端天气的影响范围，也能更早看出端倪。

那气象预报为什么需要做到这么细呢？

首先，在现实里，很多行业都和天气绑得很紧。

能源系统看它协调负荷；城市管理看它安排人力；农业看它定节奏；物流、航班更是每天都要盯着它做决策。

而且，大气系统可以看成一个巨大的混沌机器，任何一个细小的扰动，可能都会影响几天后的云层走向或降雨范围。

传统做法是用大量的 " 不同初始条件 " 去跑很多次预测，再从上千个结果里找出大概率的走向。

但这样一来太耗算力了。

而让 WeatherNext 2 变得既快又准的关键，是谷歌 DeepMind 新提出的FGN（Functional Generative Networks）功能生成网络。

FGN 的思路非常不一样。它并不是堆更多的物理方程，也不去模拟天气本身，而是通过给模型本体加上一点轻微、但全局一致的随机扰动，让模型变成一个会变化的小地球。

更具体来说，FGN 在每次预测时都会输入一个 32 维的小随机向量，也就是 32 个随机数字。这个随机向量会穿过模型的所有层，通过控制模型的内部状态，再由模型自然生成一套完整的未来天气场。

一次随机数就是一种未来，再换一组随机数就是另一种未来。

这是因为 FGN 让模型自己成为一个可采样的随机函数，通过内部结构把低维噪声扩散成全球一致的变化模式。它训练时只优化每个网格点的单点误差（CRPS），但模型为了同时降低所有点的误差，被迫学会天气本身的结构规律，因此能够自发地产生高维的空间相关性。

这也是为什么 32 个数字最终能生成高达 8700 万维的全球天气变化，还做到了既连贯、又符合物理结构。

这种看似简单粗暴的方法还更准。FGN 的整体表现全面超过了 DeepMind 之前最强的 GenCast。预测误差更低、概率表现更好、空间结构更自然，风场、温度、高度场之间的关系也更加协调；概率分布的宽度更合理，不会过度收缩或过度发散。

在极端天气上，它的提前预测能力尤其明显。比如台风路径，FGN 能比 GenCast 大约提前 24 小时达到相同精度，这对应急决策、交通调度来说是很关键的。

而且，在 1 个 TPU 上，它生成一次 15 天的全球预报只需要不到 1 分钟，比之前快大约 8 倍。

当然了，FGN 方法在真实的预测过程中，高频变量偶尔会导致一些轻微伪影。

但整体而言，FGN 已经够稳定，够高效，也够实用了。

论文地址：https://arxiv.org/abs/2506.10772

参考链接：https://x.com/GoogleDeepMind/status/1990435105408418253

一键三连「点赞」「转发」「小心心」

欢迎在评论区留下你的想法！

—  完  —

聊 AI，当然得来量子位 MEET2026 智能未来大会！

张亚勤、孙茂松等首波 AI 行业重磅嘉宾已确认出席，还有更多嘉宾即将揭晓  了解详情

  12 月 10 日

北京金茂万丽酒店

，期待与你共论 AI 行业破局之道  

点亮星标

科技前沿进展每日见