核心觀點

Google DeepMind 與 Google Research 發布的 WeatherNext 3，把全球氣象 AI 的重點從「更快地重跑既有資料」推進到「直接從接近即時的觀測資料持續更新」。模型每小時接收全球地球同步衛星拼圖與歷史分析資料，產出高密度網格、颱風路徑與測站層級座標預測。官方宣稱它在獨立即時評測中表現領先；這屬發布方主張，仍應和長期公開驗證分開判讀。

關鍵差異在於資料新鮮度與解析度。傳統數值天氣預報（NWP）依賴超級電腦運行物理模擬，分析資料通常有約六小時延遲；WeatherNext 3 改以即時衛星觀測為主要輸入，按小時重預報。地表溫度與濕度可達 5 公里解析度，其他地表變數約 10 公里、風速等大氣變數約 25 公里；相較 WeatherNext 2 的 25 公里、六小時格網，官方描述為約五倍更細緻的全球圖像。

技術亮點：不只把網格切細

模型使用單一彈性的 Functional Generative Network（FGN）mesh transformer，同時處理連續網格場、離散氣旋軌跡與稀疏測站座標。除了衛星資料，它也直接學習稀疏氣象站觀測，目標是讓海岸、山谷與山區等局部地形造成的溫濕度差異不再被粗網格平均掉。這對歷來缺少昂貴區域超算預報的拉丁美洲、非洲與亞太地區尤其重要；不過測站密度與在地觀測品質仍會影響最終可靠性。

降水是 AI 氣象最難的題目之一：對流系統尺度小、變化快，容易被模型預報得模糊。WeatherNext 3 採用 NASA 的 IMERG 衛星降水資料與 Google 的衛星雷達再分析資料訓練。官方以 CRPS 指標報告，在中期預報的早期 lead time，相對 IMERG 可改善最多 60%、相對 MRMS 改善 30%、相對雨量站改善 10%。這些數字說明概率降水預報可能更貼近觀測，但不可直接解讀為所有地區、所有時段均同幅度提升。

從天氣資訊走向能源與營運輸入

WeatherNext 3 特別加入接近風機輪轂高度的 100 公尺風速、高解析雲量與太陽輻射預測，使它可服務風電出力、太陽能發電量與電網需求媒合。這條「天氣 → 能源調度」鏈路，和 Aurora 1.5：氣象 AI 基礎模型的集成預報突破 所強調的機率式集成預報互補：前者強調即時觀測和局部解析度，後者著眼於用不確定性分布支援高風險決策。真正落地時，仍應保留校正、備援與人工調度，而不是把單一模型輸出當成控制指令。

在產品面，Google 表示模型已開始供應 Search、Gemini、Google Maps、Maps Platform Weather API 與 Earth Engine；研究者和企業也可透過 BigQuery、Earth Engine 或 Cloud Storage 取得資料。這讓模型的價值不只是一篇論文，而是嵌入既有資訊與地理平台。它也與 OlmoEarth v1.1：地球觀測基礎模型的三倍效率突破 形成上下游關係：地球觀測模型偏向從衛星影像理解「現在發生什麼」，WeatherNext 3 則將即時大氣觀測轉成「接下來可能發生什麼」。

實務判讀

此發布反映氣象 AI 的競爭已從單次榜單分數轉向三個能力：觀測資料是否足夠即時、局部預報是否可用，以及能否接進使用者原本的決策系統。對防災、農業、航運與能源團隊，導入順序應是先量測在地誤差與極端事件漏報率，再規劃告警門檻、NWP／官方預警交叉比對與人工升級流程。Google 自身亦提醒：正式天氣預報、災害警訊與公共安全建議，仍應以當地氣象機關或國家氣象服務為準。

相關連結

反向連結

以下頁面引用了本頁：