Google DeepMind与Google Research在9月3日发布WeatherNext 3。官方称，这一全球天气AI模型可以直接吸收实时地球同步卫星拼图与气象站观测，按小时生成新预报，并把部分地表变量的空间分辨率提高到5公里。相关能力已经接入Google搜索、Gemini、地图、Google Maps Platform和Cloud，意味着研究模型正在进入普通用户与企业的日常决策场景。

相比上一代WeatherNext 2以25公里网格、6小时步长生成结果，新模型提供多种分辨率：温度和湿度等关键地表变量可到5公里，其他地表变量约10公里，大气风速等变量约25公里。Google将整体描述为比上一代清晰约五倍。这里的“清晰”主要指时间和空间网格更细，不代表每个地点、每种天气都能获得五倍准确率。

实时观测改变了模型的起点

许多AI天气模型主要从数值天气预报系统产生的再分析或模拟数据中学习。这些数据物理信息丰富，却可能带有数小时延迟。快速形成的降雨、局地温度变化和突然发展的风暴，对初始状态非常敏感。WeatherNext 3直接引入每小时更新的卫星观测，希望让模型看到更接近当前时刻的大气状态。

卫星并不能观测全部变量，因此模型还结合稀疏气象站数据和历史分析。它用统一的生成网络把不同来源、不同密度的数据映射到全球网格，再输出温度、湿度、风、降水概率和气旋路径等结果。AI在这里不是抛弃物理规律，而是从大量观测和历史演变中学习统计关系，并要求输出在不同尺度上保持一致。

降水是本次升级的重点。雨雪由尺度很小、变化很快的云过程驱动，全球模型常把降水边界预测得过于平滑。Google称，新模型使用NASA全球降水测量任务的IMERG卫星产品和自建的卫星雷达再分析数据训练。在中期全球预报评估中，连续分级概率评分相对不同基线最高改善约60%、30%和10%，具体幅度取决于参照数据与预报提前量，不能把最高数字推广到所有地区。

更细网格对沿海、山谷和山区尤其重要，因为地形会让相距几公里的地点出现不同温度、湿度和降水。过去需要昂贵区域模拟才能获得的细节，如今有机会通过全球AI模型更快提供。但5公里仍不足以解析每条街道的对流天气，手机界面上的位置预报也会受到本地传感器不足和极端事件稀缺的限制。

从天气应用走向能源与供应链

WeatherNext 3新增面向清洁能源的变量，包括约100米高度的风速、高分辨率云量和太阳辐射。这些数据对应风机轮毂与光伏电站的实际需求。电网运营商若能更准确估计未来风电和光伏出力，就能更合理安排备用电源、储能和跨区交易，减少预测误差带来的成本。

农业、航空、物流和应急响应也会受益。农场需要判断灌溉和收获窗口，航空公司需要规划航路，供应链团队关心港口风浪与极端天气。按小时刷新的全球预测可以给出更及时的输入，但高风险决策不能只依赖单一商业模型。气象机构的警报、雷达、地面观测和专业预报员仍是必要的交叉验证来源。

Google把模型接入搜索、Gemini和地图，扩大了分发，也提高了解释责任。用户看到的简短天气答案应区分概率与确定事实，并标明预报时效。模型在平均指标上更好，不等于每次极端事件都更可靠。对于飓风、山洪和野火等风险，低概率误差的后果远高于日常温度偏差。

部署范围也值得留意。官方说模型已经整合到多项Google产品，但具体功能可能因地区、语言、产品界面和数据许可不同而分阶段呈现。企业通过Cloud接入时，还要核对变量列表、更新延迟、服务等级和历史回测。看到全球模型上线，不等于任何地点的每一种专业气象数据都已即时开放。

独立评估是下一道门槛。天气模型容易在平均天气上取得漂亮分数，真正考验来自罕见强降水、快速增强气旋和观测稀疏地区。研究团队引用了Brightband的实时评估，但用户还应等待更多气象机构在不同季节、不同提前量下的比较。只有连续运行，才能区分模型结构优势和某段时间的天气样本运气。

WeatherNext 3代表AI天气预报从离线竞赛走向连续服务：输入更实时、输出更频繁、分辨率更细，并进入能源和地图产品。它能否长期优于传统与混合系统，还要看独立实时评估、不同地区表现和极端事件案例。最合理的期待不是“AI取代气象学”，而是让观测被更快转化为可用预测，再由专业系统和人类判断决定如何行动。