这项合作研究汇集了Google DeepMind和Google Research的AI研究人员与工程师，以及美国国家飓风中心（NHC）、大气合作研究所（CIRA）、英国气象局和世界各地气象机构的专家预测人员。
我们的研究已经产生了实际影响。在2025年飓风季，我们的模型帮助NHC对飓风梅丽莎做出了历史性的预测，成功预判了风暴的快速增强及其在牙买加的登陆。这使得NHC能够提前发出预警，为现场团队争取了宝贵的准备时间。今年，我们继续合作，目前正为每个气旋预测1000种可能情景，以支持预报员的决策。
天气影响每个人。鉴于这一广泛影响，我们现在将飓风季期间使用的WeatherNext 2和WeatherNext Cyclones模型开源。通过公开提供这项技术，我们希望赋能研究社区，并扩大AI在建设更具韧性社区方面的影响力——无论是为当地预报员提供应对自然灾害所需的工具，支持可再生能源的增长，还是预测极端天气。
从飓风米尔顿（2024年10月）期间的全球大气状态出发，WeatherNext Cyclones迭代预测全球天气模式和精细尺度的气旋路径，最长可提前15天。运行1000成员集合可生成从热带风暴到飓风级风力的局部概率图。
预测气旋通常需要在两种不同建模技术之间做出权衡。气旋的路径（去向何处）由大规模全球大气环流引导，此前这类环流最好由较粗的全球模型建模。然而，气旋的强度（有多强）则由其核心周围高度局部化、细尺度的热力学物理过程驱动，这最好由专门的、更高分辨率的局部模型来建模。
我们的WeatherNext模型通过改进全球天气整体以及气旋的预测来弥合这一差距。它是一个单一的AI模型，能够以最先进的精度预测热带气旋的路径、强度和风场结构。它通过训练、架构和对低分辨率输入的处理方式的独特组合实现了这一突破。
我们在2023年至2024年的历史气旋上评估了WeatherNext Cyclones，将其确定性和概率性能与其他顶级天气模型进行了基准比较。平均而言，WeatherNext Cyclones在预测气旋路径、强度和风场结构方面获得了超过一整天的提前时间优势。
该模型在两种不同的数据模态上进行了联合训练：全球天气动力学和专家整理的历史气旋观测。通过在近20TB的全球大气数据和涵盖近5000个历史风暴的IBTrACS数据库上进行端到端训练，模型学习了复杂的大气模式以及如何建模极端天气。
气旋预报精度近几十年来一直在稳步提高。图表显示了ECMWF-ENS路径预报（a）和HWRF强度预报（b）多年来的3天精度，以及WeatherNext Cyclones如何为路径和强度带来阶梯式的精度提升。根据过去20年的趋势，这一改进相当于十年的进展。
我们的模型使用功能生成网络（FGN）来高效生成不同的预测集合，从而捕捉天气固有的不确定性。我们现在可以在TPU上不到一分钟内生成一个15天的预报，使预报员能够快速评估潜在灾难性尾部风险的概率分布。去年，我们的系统一次生成50个预测，与全球物理模型相当。今年我们将集合规模扩大到1000个成员，捕捉罕见但影响重大的情景，如2025年飓风梅丽莎期间发生的快速增强事件。
到目前为止，在非常高的空间分辨率下运行被认为是做出准确强度预报的主要驱动力。然而，WeatherNext Cyclones只需要28x28公里分辨率的数据，比传统模型粗100倍。该模型的一个较小版本WeatherNext 2-mini，以更粗的111x111公里分辨率运行，也表现出色。这让科学家们感到惊讶，充分理解我们的模型如何在此分辨率下产生如此准确的预测仍然是一个开放的研究问题。我们希望与研究社区一起找到答案。
伴随我们的《自然》论文，我们开源了代码和模型权重，免费提供给任何人基于其进行构建。这包括学术研究、业务预报或开发更专业、更本地化的模型。我们希望加速全球天气社区的进步，并使气象机构、研究人员和非营利组织能够更好地预测各种天气事件，做出保护生命和基础设施的关键决策。
我们还发布了两组类似的模型：飓风季期间运行的WeatherNext Cyclones（结果见论文）；以及我们于10月投入运营的后续更新版WeatherNext 2。此外，我们还发布了WeatherNext 2-mini，这是一个紧凑版模型，可在免费公共Colab笔记本中的单个TPU上运行。
您可以在Weather Lab上探索我们最新的气旋预报，我们最近更新了其界面，并将其扩展为在气旋路径之外还包括全球天气预测。Weather Lab现在让您可以在单一视图中可视化WeatherNext对温度、降水、风速等的预测。Weather Lab和WeatherNext模型都是Google Earth AI的一部分。
我们取得了历史性突破，将气旋预测的提前时间增加了一整天以上——这相当于气象学十年的进步。在我们为未来风暴季做准备之际，我们邀请研究人员、气象机构和专家与我们合作，基于我们的开源模型进行构建，并在Weather Lab上探索我们的预测。通过将先进的机器学习与人类预报员不可或缺的真实世界专业知识相结合，我们的目标是创建一个协作的天气预报生态系统，拯救生命并帮助社区适应不断变化的气候。