ARTICLE · 1034052
谷歌AI把台风预警提前了一整天
谷歌AI把台风预警提前了一整天
谷歌 DeepMind 的 WeatherNext Cyclones 把热带气旋的路径、强度与尺度，直接端到端地从全球大气数据中预测出来。 2025 年 10 月底，一场名为 Melissa 的飓风以五级强度登陆牙买加，成为有记录以来袭击该国的最强风暴，也是大西洋史上并列最强的飓风之一。在它还是一团微弱的低压、传统模型还在"它会扑向海地还是冲着牙买加去"之间摇摆不定时，一个 AI 已经提前5 天给出了判断：它将急剧增强，并以五级强度撞上牙买加，置信度 80%；提前 3 天时，这一置信度已逼近 100%[1]。 这个 AI 叫WeatherNext Cyclones（WN-C）。2026 年 9 月 17 日出版的最新一期《自然》杂志，把它放上了封面——论文标题是《Operational tropical cyclone forecasting with AI》（用 AI 做业务级热带气旋预报）[1]。它由 Google DeepMind 与 Google Research，联合美国国家飓风中心（NHC）、科罗拉多州立大学 CIRA 合作研究所、英国气象局等机构共同完成，作者名单长达 33 人，通讯作者为 Peter Battaglia。 这篇论文最值得写的，不是"AI 又赢了一个基准"这种熟悉的故事。它真正颠覆的是一个气象学界长期信奉的工程直觉：要预报准台风的强度，就必须用尽可能精细的高分辨率数据。WN-C 偏偏用比专业模型粗一个数量级的网格，在强度预报上把那些高分辨率模型甩在了身后——而且连它的开发者都承认，还没完全搞懂这是为什么。 一句话结论：WN-C 在 2023–2025 年的实测中，相比领先的 operational 模型，为路径、强度和风圈结构平均多争取了整整 1 天（24 小时）的预警时间；按过去 20 年的进步趋势换算，这约等于气象学十年的积累[1]。 热带气旋（台风、飓风、气旋，只是不同洋区的叫法）是地球上最危险、也最难预报的天气系统之一。它的难，首先难在两件事的性质完全不同。 "路径"关心的是风暴中心 tomorrow 会走到哪片海——这是一个大尺度、慢变的问题，主要受周围气压场、洋流和引导气流支配，全球天气模型擅长处理。"强度"关心的是它的中心风速、气压——这是一个小尺度、快变、非线性极强的问题，牵涉到眼墙置换、海气热量交换、眼内对流爆发等微观物理过程，需要千米级的分辨率才"看"得清。 正因为如此，长期以来气象界形成了一套分工：全球模型（如 ECMWF 集合 ENS）负责大尺度路径，专业区域模型（如美国的 HWRF、HAFS）负责高分辨率强度。代价是——没有哪个模型能同时把两件事都做好。而最致命的，恰恰是强度里的一种极端情形：快速增强（Rapid Intensification, RI）——定义是 24 小时内最大风速增加至少35 英里/小时（约 56 公里/小时）[1]。很多造成重大伤亡的飓风，都是因为在登陆前一两天突然"爆发性增强"，留给疏散的时间被压缩到几乎没有。 WN-C 的思路，是干脆不分工。它用一个端到端的神经网络，直接从全球大气状态预测热带气旋的路径、强度和风圈结构，一口气覆盖到未来 15 天[1]。 怎么做到的？论文说，它在两种截然不同的数据模态上"联合训练"[1]： 全球天气动力学：近20 TB的全球大气数据，模型学习大尺度环流如何孕育和引导风暴； 专家整理的历史 cyclone 观测：来自 IBTrACS 数据库、横跨近5,000 场历史风暴的最佳路径档案，模型从中学习"一个真实台风长什么样"。 这里有一个巧妙的工程细节。历史 cyclone 资料是表格式的（时间点 + 位置 + 风速 + 气压），而神经网络擅长处理的是网格张量。WN-C 用一道确定性映射，把气旋轨迹数据"拓"到 0.25°（约 30 公里）的网格上变成张量喂给模型；等模型吐出网格化的气旋场预测后，再用一道追踪算法把它映射回表格式轨迹空间[2]。这套框架把"气旋是否存在、在哪、属性如何"的可微预测，和"如何把它追踪成一条轨迹"的后处理解耦开来——预测由同一个学到的表征统一驱动，追踪只是下游解释。 
WN-C 为每一次热带气旋生成多达 1,000 条可能的演化轨迹（"意面图"），让预报员看到那些低概率但高影响的尾端风险。 真正让它在业务里"可用"的，是集合。WN-C 一次性生成1,000 个成员的集合预报——去年还只有 50 个——每一条都是一种合理的未来情景。集合的意义不只是精度：它让预报员第一次能稳定地"看到"那些低概率但高影响的尾端风险，比如突然转向、突然增强、路径分裂，而这些用 50 个成员常常根本采样不到。而在算力上，它在一块 TPU 上生成一次 15 天预报不到 1 分钟[1]。 Tip · 为什么集合重要？单一预报是"赌一把"，集合是"开一千家赌场看赔率"。1000 个成员意味着：当 200 个成员都显示"牙买加将遭五级袭击"时，即便主流路径还偏向海地，预报员也该警惕了。这正是 Melissa 案例中 AI 抢出 5 天的关键。 现在说这篇论文最让人坐不住的地方。 在气象工程界，有一条近乎信仰的假设：要预报准强度，就必须用高空间分辨率。因为强度取决于眼墙、对流等小尺度结构，分辨率不够就"看"不到。所以专业强度模型（HWRF/HAFS）动辄跑到 1–3 公里网格。WN-C 呢？它的业务版输入分辨率是0.25°（约 28–30 公里）——比那些区域模型粗一个数量级。论文里甚至提到一个更轻量的 mini 版本，跑在1°（约 111 公里）的粗网格上，表现依然出色[1]。 
左：WN-C 所用的粗分辨率全球网格上的气旋场；右：传统高分辨率区域网格。论文表明，粗网格捕捉到的强度信号，比此前公认的要多。 
"更少分辨率，更多信号"——WN-C 的可解释性谜题：为什么粗网格反而预报得更准，仍是开放问题。 DeepMind 在官方博客里直言，这让科学家们感到意外，并且"要完全理解模型为何在如此粗的分辨率下还能给出这么准的预测，目前仍是一个开放的研究问题"[1]。换句话说：我们造出了一个比老师还厉害的学生，却还没完全搞懂它的解题步骤。 一个可能的解释是——高分辨率模型虽然"看"得更细，却也更容易被噪声和局部失真带偏；而全球粗网格迫使模型去抓大尺度环流中真正驱动强度变化的信号，反而绕开了细节陷阱。这呼应了近年 AI 气象的另一条线索：2026 年 Meta FAIR 与牛津的《Towards Physics of Multimodal Pretraining》曾指出，多模态训练中"延迟引入视觉会导致视觉惰性"——过早钻进局部细节，反而焊死了模型学到全局结构的能力。WN-C 似乎从反面印证了：有时"看粗一点"，反而学得更对。 反直觉归反直觉，最终还是要回到数字。WN-C 在 2023–2025 年的真实 cyclone 上接受了检验，结果如下[1]：
注意最后一行那个惊人的等价：按过去 20 年热带气旋预报的逐年改进速度，WN-C 带来的这"一天"，差不多相当于这个领域踏踏实实研究了十年才攒下的进步[1]。在防灾语境里，这"一天"不是论文里的装饰——它可能是几十万人大规模疏散、加固堤坝、调度救援的全部时间窗口。 论文之外，最有说服力的证据来自实战。2025 年大西洋飓风季，WN-C 已经在一个更早的版本上投入了业务协助。面对 Hurricane Melissa，它做了这件史无前例的事[1]： 当 Melissa 还只是个微弱热带低压时，WN-C 就预测它将急剧增强并以五级强度登陆牙买加； 这一判断提前5 天给出，置信度80%；提前 3 天时，置信度升至接近 100%； 这是史上首次有模型从一个如此低的初始风速，成功预测一场风暴将达到五级强度； NHC 结合自身物理模型（HAFS）、卫星与侦察机数据，据此向牙买加气象部门发出了空前的提前量预警。 
现代气象运算中心：AI 不是取代预报员，而是把"千条可能路径"压缩成可供人类专家决断的概率图景。 NHC 的年度验证报告给出了定论：在整个 2025 飓风季，WeatherNext 是支撑专家决策中、轨迹与强度两项表现都最佳的单个模型[1]。一个 AI，在一个由人类专家主导、容错率极低的业务系统里，拿到了"单项第一"。 WN-C 还有一重容易被忽略的意义：它是开源的。DeepMind 把 WeatherNext 2 与 WN-C 的代码和训练权重以Apache 2.0协议发布在 GitHub（google-deepmind/weathernext），连一个mini 版本都能在免费的 Colab 笔记本上跑起来[1]。 这意味着什么？意味着任何国家的气象部门、任何一所大学、甚至个人研究者，不需要与厂商签合同，就能把这套"台风预警提前一天"的能力部署到自己这片海。对东南亚、加勒比、西非等台风与气旋高脆弱、但算力与数据资源有限的国家和地区，这是把"最前沿的防灾能力"从少数巨头手里下放了一步。技术的价值，往往不在它有多强，而在它能触达多少人。 写到这里，我想把视角再抬高一点。WN-C 真正有意思的，不是"AI 又赢了"，而是它逼我们重新回答一个元问题：到底什么才是一份好的气象数据？ 过去几十年，气象工程的直觉是"分辨率越高越好"，于是一代代人把算力砸进更细的网格。WN-C 用一次业务级胜利说明：数据的"好"，不在于像素多细，而在于是否携带了与任务真正相关的信号。大尺度环流里藏着驱动强度的钥匙，而这在粗网格上反而更干净。这其实和当下大模型领域的诸多发现殊途同归——比如 2025 年 GPN-Star 用"进化先验"以 2 亿参数碾压 400 亿参数的 Evo 2，本质都是同一句话：对的归纳偏置，胜过暴力堆叠。 而 WN-C 与 NHC 的合作模式，也给出了 AI 落地的范本：不是"AI 自动群发预警、人类靠边站"，而是AI 生成 1000 条概率情景 → 人类专家结合物理模型与现场数据做最终决断。AI 负责"把可能性摊开"，人类负责"为责任兜底"。在生命攸关的领域，这种分工比任何"全自动"都更值得信任。 给技术人的启示：当你在一个领域里"砸算力、堆分辨率、加参数"却遇到瓶颈时，不妨问一句——我们是不是把"好数据"的定义，错当成了"更贵的数据"？WN-C 给出的反例，值得所有做模型的人记一辈子。 如果你对"AI 如何重新理解世界与预测未来"这个更大的命题感兴趣，推荐两本作者（SKJ）在 Leanpub 上的书，与本文主题自然呼应： 《世界模型》——理解下一代 AI 的认知基础，探讨模型如何从数据中构建对世界的预测： https://leanpub.com/World-Model 《智能进化论》——理解 AI 智能正在如何演化，从大模型到世界模型到智能体： https://leanpub.com/Intelligent-Evolution Alet, F., Andersson, T., Price, I., Markou, S., El-Kadi, A., Masters, D., ... Battaglia, P.Operational tropical cyclone forecasting with AI.Nature (cover article, 17 September 2026 issue). DOI: 10.1038/s41586-026-10953-2. 同论文方法部分及 DeepMind 官方博客《WeatherNext: AI model achieves breakthrough in forecasting cyclones》(deepmind.google, 2026)，以及 GitHub 仓库 google-deepmind/weathernext（Apache 2.0 / CC BY 4.0）。 Price, I., Sanchez-Gonzalez, A., Alet, F., Andersson, T., ... Battaglia, P., Lam, R.Probabilistic weather forecasting with machine learning(GenCast). Nature 637, 8044 (2024). DOI: 10.1038/s41586-024-08252-9. Lam, R., Sanchez-Gonzalez, A., Willson, M., Wirnsberger, P., ... Battaglia, P.Learning skillful medium-range global weather forecasting(GraphCast). Science 382, 6677, 1416–1421 (2023).
谷歌AI把台风预警提前了一整天：一篇《自然》封面论文，改写了"高分辨率神话"
一、台风为什么难预报：路径与强度，是两个世界
传统模型在 Melissa 初现时"摇摆不定"：它到底是作为一个弱系统袭击海地，还是会增强并扑向牙买加？这种两难，正是路径与强度被割裂预报的典型症状。
二、WeatherNext Cyclones：把"全球天气"和"专家经验"一起喂给模型
三、最反直觉的发现：粗网格，反而更懂风眼
这篇论文最大的价值，或许不是多赢了多少个百分点的准确率，而是它用一次实打实的业务胜利，戳破了一个被奉为圭臬的工程假设。科学进步常常是这样：先有反例，才有新理论。
四、数字说话：提前一整天，约等于十年的进步
五、真实的考场：飓风 Melissa 与牙买加的 5 天