WeatherNext 2：实时小时级天气预报新纪元

天气预测的世界正在经历一场革命。

谷歌DeepMind最新发布的WeatherNext 2，将查天气这件事提升到了小时级、实时化的新高度。

相较于上一代，它的运行速度提升了8倍，预测精度更是达到了小时级别，这意味着不再只是简单地告知“明天下午有雨”，而是能够精确到“明天2–3点会有小雨，3–4点雨势增强，5–6点逐渐停止”的细致程度。

有趣的是，它不仅仅提供一个单一的预测版本，而是能够从相同的输入中生成数十乃至上百种可能的天气演变情景。

传统超级计算机需要几个小时才能完成的任务，它仅需一个TPU、一分钟即可完成。

结果是，99.9%的预测变量和时效都超越了上一代WeatherNext，对高温、暴雨等极端天气的覆盖范围和发生时间，也能更早地被捕捉。

为什么气象预报需要如此精细呢？

让模型成为微型地球

首先，在现实世界中，众多行业与天气息息相关。

能源系统依赖它来协调负荷；城市管理依据它来安排人力；农业则依据它来制定种植节奏；物流、航班更是每日都需紧盯着它做决策。

而且，大气系统可以被视为一个巨大的混沌系统，任何微小的扰动都可能影响几天后的云层走向或降雨范围。

传统的做法是使用大量的“不同初始条件”进行多次预测，再从上千个结果中找出最可能的趋势。

但这样做非常消耗计算资源。

而让WeatherNext 2实现既快速又准确的关键，是谷歌DeepMind新提出的FGN（Functional Generative Networks）功能生成网络。

FGN的思路与众不同。它并不堆砌更多的物理方程，也不去模拟天气本身，而是通过给模型本身施加一点轻微但全局一致的随机扰动，让模型变成一个小地球。

更具体地说，FGN在每次预测时都会输入一个32维的小随机向量，即32个随机数字。这个随机向量会贯穿模型的所有层，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。

一个随机数对应一种未来，另一组随机数则对应另一种未来。

这是因为FGN让模型本身成为一个可采样的随机函数，通过内部结构将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。

这种看似简单的方法实际上更为准确。FGN的整体表现全面超越了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为突出。例如台风路径的预测，FGN能比GenCast大约提前24小时达到相同精度，这对于应急决策和交通调度来说至关重要。

此外，在单个TPU上，它生成一次15天的全球预报只需不到一分钟的时间，比之前快了大约8倍。

当然，FGN方法在真实的预测过程中偶尔也会因为高频变量的影响而产生一些轻微的伪影。

但总体而言，FGN已经足够稳定、高效且实用。