> 原始仓库：google-deepmind/weathernext > 上榜数据：+105 stars today | 语言：Python | 分类：AI 气象预报
一个被物理学垄断了 70 年的问题
天气预报这件事，从 1950 年代开始就是物理学家的领地。做法很直接：把大气分成网格，每个格点写一组流体力学方程，用超级计算机求解。欧洲中期天气预报中心（ECMWF）的模型，全球网格分辨率约 9 公里，每次预报要跑几个小时。
这套方法有效，但有两个瓶颈：一是计算成本极高，二是物理模型对某些极端天气事件（比如台风路径）的预测能力有限。
2023 年，DeepMind 发布了 GraphCast——用图神经网络做天气预报，1 分钟内完成 10 天预报，精度超过 ECMWF 的 HRES 模型。2024 年，GenCast 用扩散模型做集合预报，再次超越传统方法。
2025 年，WeatherNext 2（WN2）来了。
WeatherNext 2 是什么
WN2 是 Google DeepMind 和 Google Research 联合开发的全球中期大气和气旋预报模型。核心参数：
– 分辨率：0.25°（约 30 公里） – 训练数据：ERA5 再分析数据 + ECMWF HRES 业务数据 – 训练截止：2024 年 – 预报范围：全球，中期（10-15 天） – 特殊能力：100 米风预报 + 热带气旋路径预报
WN2 的气旋预报版本在 2025 年大西洋飓风季实时运行，公开名称叫 FNV3。美国国家飓风中心（NHC）对它做了后处理版本，叫 GDMI。
三个模型，一条技术谱系
WeatherNext 仓库里不只有一个模型，而是一个模型家族：
1. WeatherNext Graph（即 GraphCast）：确定性中期预报，用图神经网络。这是第一代，证明了 AI 可以做天气预报。 2. WeatherNext Gen（即 GenCast）：扩散模型集合预报。确定性模型给一个答案，集合模型给多个可能答案，用来量化不确定性。 3. WeatherNext 2（WN2）：最新一代，统一了大气预报和气旋预报。同一个算法既能做日常天气，又能做台风路径。
技术谱系的演化方向很清晰：从确定性到概率性，从单一任务到多任务统一。
数据获取：不只是跑模型
WeatherNext 最有意思的设计之一是：它不只让你跑模型，还提供了多种数据获取渠道。
如果你不想自己跑模型（WN2 的权重文件有 4 个，每个都是 GB 级别），你可以直接用：
– Google Cloud：通过 Earth Engine、BigQuery、Vertex AI 获取每日预报数据 – WeatherLab：包括气旋路径数据 – OpenMeteo：提供 API 和交互式构建器
这意味着 WeatherNext 不只是一个开源仓库，而是一个完整的天气数据基础设施。你可以拿数据做研究、做应用、做可视化，不需要碰模型本身。
为什么 AI 天气预报这件事重要
传统数值天气预报的流程是：观测数据 → 同化 → 物理方程求解 → 输出。每一步都需要大量计算和领域知识。
AI 天气预报的流程是：观测数据 → 同化 → 神经网络前向传播 → 输出。训练阶段需要大量计算，但推理阶段只需要秒级。
这带来的不只是速度提升，还有新的可能性：
– 集合预报变得便宜：传统集合预报要跑 50 次模型，AI 只需要跑一次扩散模型 – 极端事件预警更快：气旋路径预报从小时级降到分钟级 – 发展中国家也能用：不需要超级计算机，一个 GPU 就够
技术报告里的关键细节
WN2 的技术报告（arXiv:2506.10772）标题是”Skillful joint probabilistic weather forecasting from marginals”。这个标题里有个关键词：marginals（边缘分布）。
传统集合预报的做法是：跑多次模型，得到联合分布。WN2 的做法是：先预测每个变量的边缘分布，再组合成联合分布。这在概率论里是个经典技巧——当联合分布难以直接估计时，用边缘分布的组合来近似。
这个设计选择说明：DeepMind 不只是把 AI 当作物理模型的替代品，而是在用概率论的视角重新设计天气预报的数学框架。
对 AI 研究的启示
WeatherNext 的技术谱系给 AI 研究者上了三课：
1. 领域知识不可替代：DeepMind 团队里有气象学家。没有他们对 ERA5、HRES、同化方法的理解，纯 ML 团队做不出这个。 2. 基础设施比模型重要：WN2 的价值不只在于模型权重，更在于 Google Cloud、Earth Engine、OpenMeteo 这些数据通道。 3. 从确定性到概率性是必然路径：GraphCast 是确定性的，GenCast 是概率性的，WN2 统一了两者。这个演化方向在 AI 的很多领域都在发生。
一个值得思考的问题
WeatherNext 开源了模型权重和代码，但没有开源训练数据和训练流程。这意味着：你可以用 WN2 做预报，但不能复现 WN2。
这是 AI for Science 领域的一个普遍困境。模型可以开源，但训练数据和计算资源无法开源。这会不会导致 AI 气象预报被少数大公司垄断？
DeepMind 的回答是：通过开放数据通道（Google Cloud、OpenMeteo）让所有人都能用预报结果。但这和”能复现模型”是两回事。
—
项目地址：github.com/google-deepmind/weathernext 技术报告：arXiv:2506.10772