天气预报正迎来一场前所未有的变革。

谷歌DeepMind最新发布的WeatherNext 2，让查看天气这件事升级到了小时级、实时化。

它的运行速度比上一代快8倍，分辨率提高到了小时级，也就是说不再只是传统预报里“明天下雨”的笼统说法，而是能精确到“明天2-3点有小雨，3-4点雨势增强，5-6点逐渐停止”的精细节奏。

有意思的是，它不只是给你一个版本的预测，而是能从同样的输入里生成几十、上百种可能的天气演化情景。

传统超算要忙上好几个小时的活，它用一块TPU、1分钟就能做完。

结果显示，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？

让模型自己变成小地球

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载；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，都可能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块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已经足够稳定，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