2025 年 10 月，一个热带低气压在加勒比海上空形成，紧盯它的预报员手里有一件大多数人从未用过的工具：谷歌 DeepMind 开发的机器学习模型。这个模型（已于 8 月 6 日正式发表在《自然》上）远在传统系统之前就预报出飓风梅丽莎的爆发性增强及其在牙买加登陆，让美国国家飓风中心有足够时间向地面团队发出预警。这一结果让气象科学家惊讶，与其说是因为模型奏效，不如说是因为它奏效的方式：WeatherNext 在输入数据上达到的精度，其网格比预报员们历来信赖的高分辨率网格粗约一百倍。
最核心的成果是额外一天的预警时间。用 2023 年和 2024 年的气旋数据检验，WeatherNext 的三天预报在路径误差和最大风速两项指标上，都与此前最先进模型的两天预报精度相当。DeepMind 形容这一进步相当于一次性带来了十年的气象学改进，过去二十年的精度提升趋势似乎印证了这种说法。这样的说法并不为过：过去五十年里，热带气旋夺去了超过 70 万人的生命，造成超过 1.4 万亿美元的损失，预警时间每多出一小时，就多出一小时的疏散时间。
这个模型的独特之处，在于它化解了数十年来一直主导气旋预报的一种分工。风暴去向由大陆尺度的风场决定，粗分辨率全球模型就能很好地处理；风暴强度则取决于眼区周边小尺度的热量过程，这通常需要分辨率高得多的专门局部模拟。WeatherNext 用一个系统同时预测路径、强度和风场三项指标，训练数据包括约 20 TB 的全球气象观测资料，以及 IBTrACS 数据库中约 5000 个历史风暴的记录。一次 15 天预报只需一块张量处理单元（TPU）在不到一分钟内完成，同样的任务可能让基于物理的超级计算机运转数天；每次运行还可扩展为包含 1000 个成员的集合预报，规模是早期版本的二十倍，让预报员得以评估突发性快速增强等罕见情形。
最让气象学家不安的是分辨率悖论。传统强度模型需要精细网格，WeatherNext 在 28 公里见方的网格单元（迷你版为 111 公里）上运行却仍然胜出。DeepMind 承认自己无法完全解释原因，独立研究者对其中含义也看法不一。一些人称这是他们所见过的气象学领域最剧烈的一次变革，人工智能系统常常更快、更便宜，精度至少不逊于基于物理的同类模型，但他们担心这门学科正在用气象学专业能力换取数据科学技能，而眼下正是判断力最要紧的时刻。另一些人则提醒，基于过去风暴训练的模型，在训练数据中毫无先例的真正异常事件面前会失灵，而任由基于物理的气象模型萎缩，也会损害气候科学，因为这两类模型共享大部分代码。
这次发布同时也是对开放态度的一次检验。DeepMind 以 Apache 2.0 许可证发布了三个版本的代码和权重（WeatherNext Cyclones、WeatherNext 2 以及可在 Colab 中运行的迷你版），并在更新后的 Weather Lab 上提供实时输出。参与研制该模型的合作方包括美国国家飓风中心、CIRA 和英国气象局，这体现了预期的分工方式：机器学习负责生成概率，而仍负责发布官方预警的人类预报员，负责判断这些概率意味着什么。对沿海社区、保险公司和应急规划部门来说，多出来的那一天就是交付成果。对研究界来说，更深的谜题在于，为什么一个看得更少的模型反而能预测得更多，以及这一优势能否在前所未见的风暴时代延续下去。
Sources: DeepMind’s hurricane breakthrough has surprised weather scientists (Ars Technica, Aug 6, 2026); WeatherNext: AI model achieves breakthrough in forecasting cyclones (Google DeepMind, Aug 6, 2026); DeepMind AI gives an extra day of warning ahead of deadly cyclones (New Scientist, Aug 6, 2026); WeatherNext cyclone study (Nature, Aug 6, 2026); DeepMind’s WeatherNext Gets a Full Extra Day on Cyclones (ExplainX, Aug 7, 2026); DeepMind opens WeatherNext, buys forecasters a day on cyclones (AI Weekly, Aug 6, 2026)
婷 翻译