2025 年初DeepMind 在 Nature 上发布 WeatherNext 系列模型时气象预报领域的数据驱动路线基本尘埃落定AI 不仅能在部分指标上追平甚至超越传统数值预报还能把单次推理成本压缩到非常低的水平。对很多后端、算法方向的开发者来说这个领域比想象中更值得关注——它同时涉及图神经网络、扩散模型、大规模时空数据处理是 AI for Science 里少有的“有清晰评测标准”的方向。本文将围绕 WeatherNext 展开先讲清楚它到底是什么、解决了什么问题再拆解它的技术原理然后专门分析它在热带气旋这类极端天气预测上的突破最后从开发者视角给出跟进方向、学习路径和工程建议。无论你是刚接触气象 AI 的新手还是想把这个方向引入业务系统的工程开发者这篇文章都能给你一条完整的认知线索。1. 背景与核心概念1.1 天气预报正在迎来 AI 变革天气预报在很长一段时间里是“物理方程 超算”的天下。传统数值天气预报Numerical Weather Prediction简称 NWP把大气分成一个个网格在每个网格上求解流体力学和热力学方程再用超级计算机做时间积分。这套体系从上世纪中叶发展至今已经非常成熟但也有一个绕不开的问题计算代价极高。后来大家发现大气演化的规律其实已经藏在过去几十年的历史气象数据里。如果让深度学习模型直接从这些数据中学习“从当前天气状态到未来天气状态”的映射关系那么一旦训练完成单次预报就不再依赖昂贵的超算求解方程而是一次前向推理。这就是数据驱动天气预报的基本思想。从 2023 年 DeepMind 的 GraphCast、华为的 Pangu-Weather到 2024 年 DeepMind 的 GenCast再到 2025 年初发布的 WeatherNext 系列这个方向的进展速度比很多人预想的还要快。1.2 WeatherNext 是什么WeatherNext 是 DeepMind 在 2025 年初发布的一组 AI 天气预报模型体系命名上强调“下一代天气预报”。它不是单个模型而是包含三条产品线模型类型主要用途WeatherNext Graph确定性预测模型给出未来天气的最佳估计WeatherNext Gen生成式预测模型生成多个可能的未来天气场景WeatherNext Wave面向海洋的专用模型海浪高度、周期等预报用一句话概括WeatherNext Graph 负责“预报一个最可能的结果”WeatherNext Gen 负责“预报一组可能的结果”WeatherNext Wave 负责“把预报能力延伸到海洋”。1.3 为什么说它是“突破”过去几年AI 天气预报模型已经证明自己在平均误差指标上可以接近甚至超过传统数值预报。WeatherNext 的突破主要体现在三个层面第一概率预报能力。传统集合预报需要跑几十次甚至上百次物理模拟WeatherNext Gen 可以用生成模型一次生成多个天气场景大大降低了集合预报的成本。第二对极端天气的捕捉能力。热带气旋、热浪这类小概率高影响事件恰恰是确定性模型容易平滑掉的。WeatherNext Gen 通过生成多样化的未来场景有机会把这类极端事件重新“恢复”出来。第三统一建模框架。WeatherNext 把确定性预测、概率预测、海洋预报放在同一个技术体系里这意味着研究者和工程团队可以用同一套工具链处理多种预报问题。2. 传统数值预报 vs AI 预报WeatherNext 的技术定位2.1 传统数值预报的基本思路要理解 AI 预报的价值得先理解传统数值预报为什么要花那么多算力。传统数值预报的过程大致如下通过卫星、探空气球、地面站、雷达等获取观测数据。用数据同化技术把这些和物理规律不一致的观测数据“融合”成一份规则网格上的大气初始状态。在网格上求解一组偏微分方程模拟未来一段时间的大气演化。输出各个高度层、各个变量的预报结果。这里的核心是第 3 步。全球高分辨率模式的空间分辨率可以做到 9 公里甚至更高垂直层数几十层变量几十个这意味着计算网格数量巨大。每往前推进一小步都要在成千上万个网格上求解方程最终一次 10 天预报可能要消耗超算集群的大量机时。这也是为什么传统集合预报非常“昂贵”——为了表达初始条件的不确定性往往要并行跑几十个成员计算成本再乘以几十倍。2.2 传统数值预报的三个痛点痛点一计算资源门槛高。只有国家级气象中心和少数大型机构拥有足够算力。痛点二预报时效受限。高分辨率模式跑一次需要数小时很难做到高频更新。痛点三集合预报成本过高。概率预报虽然重要但几十个成员的集合预报会进一步放大计算压力。2.3 AI 天气预报的基本思路AI 天气预报不直接求解物理方程而是学习“状态的演化”。如果把大气状态理解为一个高维向量——包含了全球网格上的温度、湿度、风场、气压等变量——那么天气预报本质上是学习一个函数 F当前状态 → F → 未来状态深度学习模型用过去几十年的再分析数据作为训练集输入 t 时刻的全球大气状态输出 t6 小时或者 t24 小时后的状态然后迭代预测得到更长期的预报。因为推理过程只是一次神经网络前向计算所以单次预报速度非常快。这也是 WeatherNext 系列模型能够在普通 GPU 上完成单次推理、而传统模式需要超级计算机的原因。2.4 从 GraphCast 到 WeatherNext很多人会把 GraphCast、GenCast、WeatherNext 混淆这里简单梳理一下。GraphCast 是 DeepMind 在 2023 年发布的确定性预报模型使用图神经网络做中期预报在部分指标上超过了 ECMWF 的高分辨率确定性预报。GenCast 是 DeepMind 在 2024 年底发布的概率预报模型用扩散模型生成 50 个集合成员在概率预报指标上取得进展。WeatherNext 是 2025 年初发布的系列模型其中 WeatherNext Graph 是确定性模型的升级版WeatherNext Gen 是概率模型的升级版WeatherNext Wave 则完全面向海浪。可以理解为WeatherNext 是 DeepMind 把此前分散的工作整合成的一个更完整的预报产品矩阵。3. WeatherNext 三件套模型拆解3.1 WeatherNext Graph确定性预测WeatherNext Graph 负责回答“未来最可能发生什么”。它接收当前的大气状态输出未来某个时刻的确定性预测结果。从技术架构上看它继承了 GraphCast 的核心思想用图神经网络对全球大气网格建模把空间上邻近的网格点作为图中的节点通过消息传递机制让信息在空间中传播。这样做的优势在于图结构可以自然地处理球面网格、不规则采样而不需要像卷积神经网络那样依赖规则的矩形网格。相比早期的 GraphCastWeatherNext Graph 在输入特征、模型容量、训练策略上做了进一步优化同时引入了更多外部强迫变量比如太阳辐射、温室气体浓度等。这一点很重要因为长期预报不能只依赖内部大气变量还需要考虑外部驱动。3.2 WeatherNext Gen生成式概率预测WeatherNext Gen 负责回答“未来可能发生什么以及每种可能的概率有多大”。它采用生成模型的思路尤其是扩散模型Diffusion Model。扩散模型的基本思想是先学会从“带噪声的数据”逐步去噪还原成“干净的天气状态”然后在推理时从一个随机噪声出发生成一个合理的未来天气场景。为什么天气概率预报适合用生成模型因为大气的未来本身就存在不确定性。初始观测有误差模式也有误差所以工程上需要用集合预报来刻画这种不确定性。WeatherNext Gen 的优势在于它可以把“生成一个可能的未来”这个过程重复多次每次生成一个不同的场景从而构造出一个集合。在热带气旋这类极端事件上这种多样性很有价值。确定性模型往往倾向于输出“最平滑、最可能”的结果从而把气旋强度、路径的极端可能性给平均掉了。生成模型则可以在不同样本中呈现出不同的气旋路径和强度给决策者提供更完整的风险区间。3.3 WeatherNext Wave海浪预报海浪预报在航运、海上风电、海洋工程等领域有直接应用场景。传统海浪模式通常基于风场驱动需要依赖天气预报结果作为输入。WeatherNext Wave 是面向海浪预报的专用模型主要预测有效波高、波峰周期等参数。它的出现意味着 DeepMind 已经不再局限于大气而是把预报能力延伸到海洋表面。对海洋工程和航运调度来说这类模型如果能在精度和成本上达到可用水平会带来明显的效率提升。需要说明的是海浪预报通常以“风场驱动”为前提所以海浪模型的质量很大程度上取决于输入风场的质量。WeatherNext Wave 的价值在于在给定风场条件下它可以用比传统海浪模式更低的成本生成海浪预报结果。3.4 三者的关系与分工三者的分工可以用一句话概括Graph 负责“快而稳”的确定性预报Gen 负责“全而多样”的概率预报Wave 负责“向下延伸”的海洋预报。实际应用中可以先用 Graph 得到一条确定性的基准预报再用 Gen 生成一组集合场景来评估风险最后用 Wave 为海洋相关业务提供海浪信息。三者不是竞争关系而是互补关系。4. 核心技术原理拆解4.1 图神经网络如何表示全球大气传统 CNN 适合处理规则网格但全球大气网格在球面上并不规则尤其是从球面投影到平面后靠近极地的网格会变形。图神经网络没有这个问题。它把问题抽象成这样节点全球网格点或者网格单元。边节点之间的邻接关系。消息传递每个节点可以聚合邻居节点的信息更新自己的状态。在 WeatherNext Graph 这类模型中节点特征就是该位置上的气象变量值——温度、湿度、风分量、气压等。经过多轮消息传递后每个节点不仅知道自己的状态还隐式地知道了周围更大范围的状态从而可以预测未来时刻该位置的状态。这种结构的物理意义在于大气的运动本质上是局地相互作用的累加。一团空气的温度变化会受到邻近空气平流、辐合辐散等过程的影响。图神经网络的消息传递正好可以模拟这种“局地相互作用 全局传播”的过程。4.2 扩散模型如何做概率预报扩散模型近几年在图像生成领域非常火WeatherNext Gen 把它用在了天气生成上。扩散模型有两个过程前向过程给干净的天气状态逐步添加高斯噪声直到变成纯噪声。反向过程学习从一个噪声样本逐步去噪还原出干净的天气状态。训练时模型学习的是“给定带噪声的状态预测噪声”或者“预测原始状态”。推理时从一个随机噪声出发经过多步去噪最终得到一个天气状态。由于每次推理的随机噪声不同同一输入条件下可以生成多个不同的天气状态这就天然构成了一个集合预报。这里有一个值得注意的技术细节天气状态是强时空相关的三维场而不是独立像素。所以 WeatherNext Gen 里的扩散模型必须处理高维时空数据这和图像扩散模型有很大区别也对模型结构和计算效率提出了更高要求。4.3 训练数据ERA5 与再分析数据AI 预报模型训练依赖高质量的历史再分析数据。ERA5 是 ECMWF 发布的全球再分析数据集它把过去几十年的观测数据同化进数值模式生成一套完整、统一、规则网格上的大气状态估计。ERA5 的特点包括时间跨度长覆盖 1940 年至今。空间覆盖全球通常以 0.25° 分辨率提供数据约合 31 公里。变量丰富包含温度、风场、湿度、气压、辐射等多个变量。时间分辨率高可以逐小时输出。对模型来说ERA5 就是“标准答案”——训练时输入历史时刻的 ERA5 数据让模型学会预测下一时刻的 ERA5 数据。虽然 ERA5 本身也存在同化误差但作为大规模训练语料它已经是目前最合适的选择。处理这类数据开发者通常会用到 xarray、NetCDF4、cfgrib 等 Python 工具这些工具在第六章会展开讲。4.4 推理效率从超算到单卡传统数值预报需要超级计算机AI 预报模型推理只需要一张 GPU这是 WeatherNext 系列模型带来的最重要的工程价值之一。推理过程非常简单加载模型权重把当前时刻的气象场整理成模型输入执行一次前向计算得到未来时刻的气象场然后迭代多次得到更长期的预报。这意味着理论上一个省级气象台甚至一个企业数据中心只要有合适的 GPU 和气象数据接入就可以运行一套“自有的 AI 天气预报系统”而不需要依赖国家级超算资源。这种变化对未来气象服务的商业模式、部署模式都会产生深远影响。5. 面向极端天气气旋/台风预测的突破5.1 气旋预测难在哪里我们平时说的台风、飓风、气旋在气象学上统称为热带气旋。它的形成和演变涉及海洋、大气、风切变等多个因素的复杂耦合。气旋预测的难点在于路径预测气旋的移动受到大尺度引导气流影响但也存在较大的不确定性。强度预测气旋强度变化受海温、风切变、干空气侵入、眼墙替换等复杂过程影响。极端事件分布不均一个季节里真正严重影响人类活动的气旋可能只有几个样本量少模型容易学不到。更麻烦的是AI 模型在训练时通常用均方误差等损失函数这会让模型倾向于输出“平均”结果从而低估极端强度。这也是早期 AI 预报模型在气旋强度预测上偏保守的原因之一。5.2 WeatherNext 如何提升极端天气预测能力WeatherNext Gen 的生成式方法对气旋预测的改进主要体现在两个层面。第一多样性恢复。传统确定性模型输出的是一个平滑的平均结果容易把气旋强度压低。生成模型在采样时可以产生不同强度的场景其中一部分样本能够还原出更强的气旋强度从而给出更完整的风险区间。第二不确定性量化。气旋路径预报最重要的是“不确定性范围”——也就是台风可能影响的范围。WeatherNext Gen 通过一次生成多个场景直接给出一条影响概率带。这在防灾减灾场景中非常关键因为决策者关心的不是“最可能落在哪一点”而是“有多大范围需要准备”。这里要强调WeatherNext 并不是完全取代传统模式在气旋预报中的地位而是在传统模式基础上提供了一种计算成本更低、场景更丰富的补充手段。实际业务中更合理的做法是把 AI 预报和传统数值预报的结果放在一起对比综合判断。5.3 概率预测对防灾减灾的意义在气旋预警中“确定性预测”和“概率预测”的价值完全不同。确定性预测可以告诉人们“台风最可能在某个城市登陆”但一旦预测失误影响会很大。概率预测则给出“每个区域受影响的概率”决策者可以根据概率分布决定是提前疏散还是保持警惕。WeatherNext Gen 的低成本特性使得气象机构可以在每次气旋过程期间频繁更新概率预报而不用像传统集合预报那样等很长时间。这种“高频更新 概率输出”的能力恰恰是防灾减灾场景里最有价值的。当然生成模型也存在“生成出物理上不合理场景”的风险因此在实际落地中必须配合质量控制、物理约束和人工审核不能完全黑箱使用。6. 开发者如何跟进 WeatherNext 类模型6.1 从论文到代码学习路径对开发者来说想真正理解 WeatherNext建议按照下面的路径推进。首先是读论文。WeatherNext Graph 和 WeatherNext Gen 的核心论文发表在 Nature 上建议优先读这两篇重点看模型结构图和实验对比部分。其次是看开源实现。虽然 WeatherNext 官方权重不一定完全开源但 GraphCast 等前序模型已经有开源代码可以参考。建议先跑通 GraphCast 的开源实现理解图神经网络在气象网格上的具体用法再回过头来理解 WeatherNext 的改进点。最后是复现简化版本。不要指望一开始就复现一个完整的全球模型建议先从一个简化任务入手比如只预测某个区域、某个变量的短期变化。这样能快速理解数据预处理、模型输入输出、评估流程这些工程细节。6.2 数据准备与处理思路气象数据的处理是这类项目中最耗时、最容易出错的部分。常用数据格式包括 NetCDF.nc和 GRIB.grb。NetCDF 在科研领域非常常见GRIB 则是气象业务领域的事实标准。Python 中常用的库有xarray处理带维度的气象数组数据支持 NetCDF。cfgrib配合 xarray 读取 GRIB 数据。netCDF4底层读取 NetCDF 文件的库。rioxarray如果涉及地理空间栅格分析可以用它扩展。在数据预处理阶段核心工作包括读取数据并统一时间、纬度、经度坐标。将多个变量组织成统一的张量形状。做标准化或归一化避免不同变量量纲差异过大。构建时间序列样本输入过去若干时刻预测未来若干时刻。6.3 一个最小示例用 PyTorch 理解“数据驱动预报”为了让你直观理解数据驱动预报的核心流程这里用一个极简示例演示用过去 12 小时的气温序列预测未来 6 小时的气温。这不是 WeatherNext 的实现但完整展示了“从历史数据学习状态演化”的核心思路。import numpy as np import torch import torch.nn as nn # 构造一段模拟的温度时间序列周期变化 噪声 np.random.seed(42) hours np.arange(24 * 30) temp 10 5 * np.sin(2 * np.pi * hours / 24) np.random.randn(24 * 30) * 0.5 # 归一化 mean, std temp.mean(), temp.std() temp_norm (temp - mean) / std # 构造滑动窗口样本 def make_samples(seq, input_len12, pred_len6): X, y [], [] for i in range(len(seq) - input_len - pred_len): X.append(seq[i : i input_len]) y.append(seq[i input_len : i input_len pred_len]) return np.array(X), np.array(y) X, y make_samples(temp_norm) X torch.tensor(X, dtypetorch.float32).unsqueeze(-1) y torch.tensor(y, dtypetorch.float32).unsqueeze(-1) # 定义一个简单的前馈网络 class SimpleForecastModel(nn.Module): def __init__(self, input_len12, pred_len6): super().__init__() self.fc nn.Sequential( nn.Linear(input_len, 64), nn.ReLU(), nn.Linear(64, pred_len), ) def forward(self, x): return self.fc(x.squeeze(-1)).unsqueeze(-1) model SimpleForecastModel() loss_fn nn.MSELoss() optimizer torch.optim.Adam(model.parameters(), lr1e-2) # 训练 for epoch in range(200): optimizer.zero_grad() pred model(X) loss loss_fn(pred, y) loss.backward() optimizer.step() if (epoch 1) % 50 0: print(fepoch {epoch 1}, loss {loss.item():.6f})运行后你会看到 loss 逐渐下降。这说明一个非常简单的前馈网络也能从历史序列中学习到一定的温度演化规律。真实的 WeatherNext 之所以复杂是因为它把这里的一维序列换成了全球网格上的三维时空场把简单网络换成了图神经网络和扩散模型把单一变量换成了几十个气象变量。但本质上的“输入历史状态、预测未来状态”这一点是一致的。6.4 开发者可以长期关注的方向如果你打算在这个方向深耕下面几个方向值得长期关注图神经网络在不同网格结构上的应用。扩散模型在高维时空数据上的高效采样。如何把物理约束引入神经网络减少不合理输出。如何设计评估指标既反映平均误差也反映极端事件捕捉能力。如何把模型部署到业务系统与现有气象数据链路对接。这些方向任何一个都足够支撑长期的技术积累而且和主流深度学习技术栈高度相关转型成本相对较低。7. 常见问题与误区7.1 高频问题排查表问题常见原因解决思路把 WeatherNext 和 GraphCast 当成同一个模型两者有继承关系但并非同一版本查论文发布时间GraphCast 是 2023 年WeatherNext 是 2025 年系列认为 AI 预报已经完全取代数值预报目前 AI 预报在数据同化、极端事件上仍有局限把 AI 预报视为补充手段与数值预报交叉验证期望直接复现 WeatherNext 完整模型模型规模、训练数据、算力要求都很高从 GraphCast 开源实现或简化版本入手用训练集数据评估模型标准错误会造成严重乐观偏差严格按时间划分训练/验证/测试集只关注平均误差忽略极端事件表现平均指标好不代表极端事件捕捉能力强额外评估气旋路径、热浪等极端事件的预测准确率7.2 两个值得详细解释的问题第一个常见问题是为什么 AI 预报模型练出来之后有时会出现“物理不合理”的结果这是因为模型是从数据中学习的统计规律而不是直接遵守物理方程。数据中已经隐含了物理规律但模型在输入分布之外或者罕见场景下可能输出不符合物理常识的结果。解决思路一般包括在训练损失中加入物理约束项或者在推理后增加物理过滤/后处理环节。第二个常见问题是为什么天气预报永远不能做到 100% 准确因为大气系统本身存在混沌特性初始条件的微小差异会在远期放大。这是大气内在的可预报性上限任何模型都无法完全规避。AI 模型能做的是更高效地刻画这种不确定性而不是消除它。8. 最佳实践与工程建议8.1 数据版本管理气象数据动辄几个 TB数据版本管理非常重要。建议在项目开始时就把数据集、样本划分、预处理代码全部纳入版本管理记录每个模型训练时使用的数据版本和预处理参数。否则后面排查“模型为什么突然变差”时会非常痛苦。8.2 评估基线不能只看平均误差在评估 AI 预报模型时要建立多层次的评估体系全局平均误差RMSE、MAE 等。分区域评估热带、极地、海洋、陆地分别评估。分强度评估重点看强降水、强风、气旋等极端事件的命中率。概率评估对概率预报使用 CRPS连续排序概率评分等指标。只报告平均误差的模型报告在实际业务中是远远不够的。8.3 不确定性输出要配套风险提示AI 预报模型输出概率结果时一定要配套解释和风险提示。不要让业务用户只看“某路径最可能”的结果而要让他们看到“可能影响范围”的完整分布。有条件的话把 AI 预报和传统数值预报放在同一份报告中对比让用户自己判断置信度。8.4 生产环境变更必须可回滚如果把 WeatherNext 类模型接入生产环境务必遵循最小变更原则先离线评估再小流量上线。与现有预报系统并行运行一段时间积累对比结果。建立人工审核机制发现异常输出及时回滚。保留前一个版本模型确保可以快速切换。这本质上是一个典型的风控流程和普通算法模型上线没有本质区别。气象预报会影响真实的防灾决策宁可谨慎也不要激进。8.5 关注算力成本与推理时延传统数值预报动辄需要超算集群AI 模型推理只需要单卡 GPU但这并不意味着完全不需要算力规划。训练阶段仍然需要大规模算力推理阶段如果要做高频更新、多区域并行也需要合理的 GPU 资源调配。建议在工程规划时把“训练成本”和“推理成本”分开预算。训练成本是项目建设期的投入推理成本才是长期运营的持续开销。9. 总结与学习路线WeatherNext 系列模型让我印象最深的一点是它把“AI 天气预报”从单一的确定性预测推进到了一个更完整的预报体系确定性预测、概率预测、海洋预报各司其职。而它在热带气旋这类极端天气上的表现也让更多人看到了生成式模型的真正价值——不是生成一张漂亮的图而是生成一组能帮助决策的风险场景。如果你想深入这个方向可以按下面的路径继续推进第一步读 WeatherNext Graph 和 WeatherNext Gen 的论文把模型结构图画一遍。第二步跑通 GraphCast 或 Pangu-Weather 的开源实现理解气象数据的实际处理流程。第三步用 xarray 处理真实的 ERA5 数据构建一个自己的小规模预测实验。第四步关注官方和社区是否放出 WeatherNext 的权重和推理代码用真实模型做复现和对比评估。这个领域目前还处于快速发展期论文发布和代码开源的节奏都很快。今天看这篇文章时的一些信息可能几个月后就会有更新所以一定要养成读原始论文和看官方文档的习惯。如果你的工作中也涉及气象、海洋、能源、物流这类受天气影响的业务不妨从一个小实验开始把 AI 预报的能力接到自己的数据链路上试试。 
长河君 · 2026/8/30 17:29:41 · 阅读 1.2k WeatherNext深度解析：图神经网络与扩散模型如何革新AI天气预报
2025 年初DeepMind 在 Nature 上发布 WeatherNext 系列模型时气象预报领域的数据驱动路线基本尘埃落定AI 不仅能在部分指标上追平甚至超越传统数值预报还能把单次推理成本压缩到非常低的水平。对很多后端、算法方向的开发者来说这个领域比想象中更值得关注——它同时涉及图神经网络、扩散模型、大规模时空数据处理是 AI for Science 里少有的“有清晰评测标准”的方向。本文将围绕 WeatherNext 展开先讲清楚它到底是什么、解决了什么问题再拆解它的技术原理然后专门分析它在热带气旋这类极端天气预测上的突破最后从开发者视角给出跟进方向、学习路径和工程建议。无论你是刚接触气象 AI 的新手还是想把这个方向引入业务系统的工程开发者这篇文章都能给你一条完整的认知线索。1. 背景与核心概念1.1 天气预报正在迎来 AI 变革天气预报在很长一段时间里是“物理方程 超算”的天下。传统数值天气预报Numerical Weather Prediction简称 NWP把大气分成一个个网格在每个网格上求解流体力学和热力学方程再用超级计算机做时间积分。这套体系从上世纪中叶发展至今已经非常成熟但也有一个绕不开的问题计算代价极高。后来大家发现大气演化的规律其实已经藏在过去几十年的历史气象数据里。如果让深度学习模型直接从这些数据中学习“从当前天气状态到未来天气状态”的映射关系那么一旦训练完成单次预报就不再依赖昂贵的超算求解方程而是一次前向推理。这就是数据驱动天气预报的基本思想。从 2023 年 DeepMind 的 GraphCast、华为的 Pangu-Weather到 2024 年 DeepMind 的 GenCast再到 2025 年初发布的 WeatherNext 系列这个方向的进展速度比很多人预想的还要快。1.2 WeatherNext 是什么WeatherNext 是 DeepMind 在 2025 年初发布的一组 AI 天气预报模型体系命名上强调“下一代天气预报”。它不是单个模型而是包含三条产品线模型类型主要用途WeatherNext Graph确定性预测模型给出未来天气的最佳估计WeatherNext Gen生成式预测模型生成多个可能的未来天气场景WeatherNext Wave面向海洋的专用模型海浪高度、周期等预报用一句话概括WeatherNext Graph 负责“预报一个最可能的结果”WeatherNext Gen 负责“预报一组可能的结果”WeatherNext Wave 负责“把预报能力延伸到海洋”。1.3 为什么说它是“突破”过去几年AI 天气预报模型已经证明自己在平均误差指标上可以接近甚至超过传统数值预报。WeatherNext 的突破主要体现在三个层面第一概率预报能力。传统集合预报需要跑几十次甚至上百次物理模拟WeatherNext Gen 可以用生成模型一次生成多个天气场景大大降低了集合预报的成本。第二对极端天气的捕捉能力。热带气旋、热浪这类小概率高影响事件恰恰是确定性模型容易平滑掉的。WeatherNext Gen 通过生成多样化的未来场景有机会把这类极端事件重新“恢复”出来。第三统一建模框架。WeatherNext 把确定性预测、概率预测、海洋预报放在同一个技术体系里这意味着研究者和工程团队可以用同一套工具链处理多种预报问题。2. 传统数值预报 vs AI 预报WeatherNext 的技术定位2.1 传统数值预报的基本思路要理解 AI 预报的价值得先理解传统数值预报为什么要花那么多算力。传统数值预报的过程大致如下通过卫星、探空气球、地面站、雷达等获取观测数据。用数据同化技术把这些和物理规律不一致的观测数据“融合”成一份规则网格上的大气初始状态。在网格上求解一组偏微分方程模拟未来一段时间的大气演化。输出各个高度层、各个变量的预报结果。这里的核心是第 3 步。全球高分辨率模式的空间分辨率可以做到 9 公里甚至更高垂直层数几十层变量几十个这意味着计算网格数量巨大。每往前推进一小步都要在成千上万个网格上求解方程最终一次 10 天预报可能要消耗超算集群的大量机时。这也是为什么传统集合预报非常“昂贵”——为了表达初始条件的不确定性往往要并行跑几十个成员计算成本再乘以几十倍。2.2 传统数值预报的三个痛点痛点一计算资源门槛高。只有国家级气象中心和少数大型机构拥有足够算力。痛点二预报时效受限。高分辨率模式跑一次需要数小时很难做到高频更新。痛点三集合预报成本过高。概率预报虽然重要但几十个成员的集合预报会进一步放大计算压力。2.3 AI 天气预报的基本思路AI 天气预报不直接求解物理方程而是学习“状态的演化”。如果把大气状态理解为一个高维向量——包含了全球网格上的温度、湿度、风场、气压等变量——那么天气预报本质上是学习一个函数 F当前状态 → F → 未来状态深度学习模型用过去几十年的再分析数据作为训练集输入 t 时刻的全球大气状态输出 t6 小时或者 t24 小时后的状态然后迭代预测得到更长期的预报。因为推理过程只是一次神经网络前向计算所以单次预报速度非常快。这也是 WeatherNext 系列模型能够在普通 GPU 上完成单次推理、而传统模式需要超级计算机的原因。2.4 从 GraphCast 到 WeatherNext很多人会把 GraphCast、GenCast、WeatherNext 混淆这里简单梳理一下。GraphCast 是 DeepMind 在 2023 年发布的确定性预报模型使用图神经网络做中期预报在部分指标上超过了 ECMWF 的高分辨率确定性预报。GenCast 是 DeepMind 在 2024 年底发布的概率预报模型用扩散模型生成 50 个集合成员在概率预报指标上取得进展。WeatherNext 是 2025 年初发布的系列模型其中 WeatherNext Graph 是确定性模型的升级版WeatherNext Gen 是概率模型的升级版WeatherNext Wave 则完全面向海浪。可以理解为WeatherNext 是 DeepMind 把此前分散的工作整合成的一个更完整的预报产品矩阵。3. WeatherNext 三件套模型拆解3.1 WeatherNext Graph确定性预测WeatherNext Graph 负责回答“未来最可能发生什么”。它接收当前的大气状态输出未来某个时刻的确定性预测结果。从技术架构上看它继承了 GraphCast 的核心思想用图神经网络对全球大气网格建模把空间上邻近的网格点作为图中的节点通过消息传递机制让信息在空间中传播。这样做的优势在于图结构可以自然地处理球面网格、不规则采样而不需要像卷积神经网络那样依赖规则的矩形网格。相比早期的 GraphCastWeatherNext Graph 在输入特征、模型容量、训练策略上做了进一步优化同时引入了更多外部强迫变量比如太阳辐射、温室气体浓度等。这一点很重要因为长期预报不能只依赖内部大气变量还需要考虑外部驱动。3.2 WeatherNext Gen生成式概率预测WeatherNext Gen 负责回答“未来可能发生什么以及每种可能的概率有多大”。它采用生成模型的思路尤其是扩散模型Diffusion Model。扩散模型的基本思想是先学会从“带噪声的数据”逐步去噪还原成“干净的天气状态”然后在推理时从一个随机噪声出发生成一个合理的未来天气场景。为什么天气概率预报适合用生成模型因为大气的未来本身就存在不确定性。初始观测有误差模式也有误差所以工程上需要用集合预报来刻画这种不确定性。WeatherNext Gen 的优势在于它可以把“生成一个可能的未来”这个过程重复多次每次生成一个不同的场景从而构造出一个集合。在热带气旋这类极端事件上这种多样性很有价值。确定性模型往往倾向于输出“最平滑、最可能”的结果从而把气旋强度、路径的极端可能性给平均掉了。生成模型则可以在不同样本中呈现出不同的气旋路径和强度给决策者提供更完整的风险区间。3.3 WeatherNext Wave海浪预报海浪预报在航运、海上风电、海洋工程等领域有直接应用场景。传统海浪模式通常基于风场驱动需要依赖天气预报结果作为输入。WeatherNext Wave 是面向海浪预报的专用模型主要预测有效波高、波峰周期等参数。它的出现意味着 DeepMind 已经不再局限于大气而是把预报能力延伸到海洋表面。对海洋工程和航运调度来说这类模型如果能在精度和成本上达到可用水平会带来明显的效率提升。需要说明的是海浪预报通常以“风场驱动”为前提所以海浪模型的质量很大程度上取决于输入风场的质量。WeatherNext Wave 的价值在于在给定风场条件下它可以用比传统海浪模式更低的成本生成海浪预报结果。3.4 三者的关系与分工三者的分工可以用一句话概括Graph 负责“快而稳”的确定性预报Gen 负责“全而多样”的概率预报Wave 负责“向下延伸”的海洋预报。实际应用中可以先用 Graph 得到一条确定性的基准预报再用 Gen 生成一组集合场景来评估风险最后用 Wave 为海洋相关业务提供海浪信息。三者不是竞争关系而是互补关系。4. 核心技术原理拆解4.1 图神经网络如何表示全球大气传统 CNN 适合处理规则网格但全球大气网格在球面上并不规则尤其是从球面投影到平面后靠近极地的网格会变形。图神经网络没有这个问题。它把问题抽象成这样节点全球网格点或者网格单元。边节点之间的邻接关系。消息传递每个节点可以聚合邻居节点的信息更新自己的状态。在 WeatherNext Graph 这类模型中节点特征就是该位置上的气象变量值——温度、湿度、风分量、气压等。经过多轮消息传递后每个节点不仅知道自己的状态还隐式地知道了周围更大范围的状态从而可以预测未来时刻该位置的状态。这种结构的物理意义在于大气的运动本质上是局地相互作用的累加。一团空气的温度变化会受到邻近空气平流、辐合辐散等过程的影响。图神经网络的消息传递正好可以模拟这种“局地相互作用 全局传播”的过程。4.2 扩散模型如何做概率预报扩散模型近几年在图像生成领域非常火WeatherNext Gen 把它用在了天气生成上。扩散模型有两个过程前向过程给干净的天气状态逐步添加高斯噪声直到变成纯噪声。反向过程学习从一个噪声样本逐步去噪还原出干净的天气状态。训练时模型学习的是“给定带噪声的状态预测噪声”或者“预测原始状态”。推理时从一个随机噪声出发经过多步去噪最终得到一个天气状态。由于每次推理的随机噪声不同同一输入条件下可以生成多个不同的天气状态这就天然构成了一个集合预报。这里有一个值得注意的技术细节天气状态是强时空相关的三维场而不是独立像素。所以 WeatherNext Gen 里的扩散模型必须处理高维时空数据这和图像扩散模型有很大区别也对模型结构和计算效率提出了更高要求。4.3 训练数据ERA5 与再分析数据AI 预报模型训练依赖高质量的历史再分析数据。ERA5 是 ECMWF 发布的全球再分析数据集它把过去几十年的观测数据同化进数值模式生成一套完整、统一、规则网格上的大气状态估计。ERA5 的特点包括时间跨度长覆盖 1940 年至今。空间覆盖全球通常以 0.25° 分辨率提供数据约合 31 公里。变量丰富包含温度、风场、湿度、气压、辐射等多个变量。时间分辨率高可以逐小时输出。对模型来说ERA5 就是“标准答案”——训练时输入历史时刻的 ERA5 数据让模型学会预测下一时刻的 ERA5 数据。虽然 ERA5 本身也存在同化误差但作为大规模训练语料它已经是目前最合适的选择。处理这类数据开发者通常会用到 xarray、NetCDF4、cfgrib 等 Python 工具这些工具在第六章会展开讲。4.4 推理效率从超算到单卡传统数值预报需要超级计算机AI 预报模型推理只需要一张 GPU这是 WeatherNext 系列模型带来的最重要的工程价值之一。推理过程非常简单加载模型权重把当前时刻的气象场整理成模型输入执行一次前向计算得到未来时刻的气象场然后迭代多次得到更长期的预报。这意味着理论上一个省级气象台甚至一个企业数据中心只要有合适的 GPU 和气象数据接入就可以运行一套“自有的 AI 天气预报系统”而不需要依赖国家级超算资源。这种变化对未来气象服务的商业模式、部署模式都会产生深远影响。5. 面向极端天气气旋/台风预测的突破5.1 气旋预测难在哪里我们平时说的台风、飓风、气旋在气象学上统称为热带气旋。它的形成和演变涉及海洋、大气、风切变等多个因素的复杂耦合。气旋预测的难点在于路径预测气旋的移动受到大尺度引导气流影响但也存在较大的不确定性。强度预测气旋强度变化受海温、风切变、干空气侵入、眼墙替换等复杂过程影响。极端事件分布不均一个季节里真正严重影响人类活动的气旋可能只有几个样本量少模型容易学不到。更麻烦的是AI 模型在训练时通常用均方误差等损失函数这会让模型倾向于输出“平均”结果从而低估极端强度。这也是早期 AI 预报模型在气旋强度预测上偏保守的原因之一。5.2 WeatherNext 如何提升极端天气预测能力WeatherNext Gen 的生成式方法对气旋预测的改进主要体现在两个层面。第一多样性恢复。传统确定性模型输出的是一个平滑的平均结果容易把气旋强度压低。生成模型在采样时可以产生不同强度的场景其中一部分样本能够还原出更强的气旋强度从而给出更完整的风险区间。第二不确定性量化。气旋路径预报最重要的是“不确定性范围”——也就是台风可能影响的范围。WeatherNext Gen 通过一次生成多个场景直接给出一条影响概率带。这在防灾减灾场景中非常关键因为决策者关心的不是“最可能落在哪一点”而是“有多大范围需要准备”。这里要强调WeatherNext 并不是完全取代传统模式在气旋预报中的地位而是在传统模式基础上提供了一种计算成本更低、场景更丰富的补充手段。实际业务中更合理的做法是把 AI 预报和传统数值预报的结果放在一起对比综合判断。5.3 概率预测对防灾减灾的意义在气旋预警中“确定性预测”和“概率预测”的价值完全不同。确定性预测可以告诉人们“台风最可能在某个城市登陆”但一旦预测失误影响会很大。概率预测则给出“每个区域受影响的概率”决策者可以根据概率分布决定是提前疏散还是保持警惕。WeatherNext Gen 的低成本特性使得气象机构可以在每次气旋过程期间频繁更新概率预报而不用像传统集合预报那样等很长时间。这种“高频更新 概率输出”的能力恰恰是防灾减灾场景里最有价值的。当然生成模型也存在“生成出物理上不合理场景”的风险因此在实际落地中必须配合质量控制、物理约束和人工审核不能完全黑箱使用。6. 开发者如何跟进 WeatherNext 类模型6.1 从论文到代码学习路径对开发者来说想真正理解 WeatherNext建议按照下面的路径推进。首先是读论文。WeatherNext Graph 和 WeatherNext Gen 的核心论文发表在 Nature 上建议优先读这两篇重点看模型结构图和实验对比部分。其次是看开源实现。虽然 WeatherNext 官方权重不一定完全开源但 GraphCast 等前序模型已经有开源代码可以参考。建议先跑通 GraphCast 的开源实现理解图神经网络在气象网格上的具体用法再回过头来理解 WeatherNext 的改进点。最后是复现简化版本。不要指望一开始就复现一个完整的全球模型建议先从一个简化任务入手比如只预测某个区域、某个变量的短期变化。这样能快速理解数据预处理、模型输入输出、评估流程这些工程细节。6.2 数据准备与处理思路气象数据的处理是这类项目中最耗时、最容易出错的部分。常用数据格式包括 NetCDF.nc和 GRIB.grb。NetCDF 在科研领域非常常见GRIB 则是气象业务领域的事实标准。Python 中常用的库有xarray处理带维度的气象数组数据支持 NetCDF。cfgrib配合 xarray 读取 GRIB 数据。netCDF4底层读取 NetCDF 文件的库。rioxarray如果涉及地理空间栅格分析可以用它扩展。在数据预处理阶段核心工作包括读取数据并统一时间、纬度、经度坐标。将多个变量组织成统一的张量形状。做标准化或归一化避免不同变量量纲差异过大。构建时间序列样本输入过去若干时刻预测未来若干时刻。6.3 一个最小示例用 PyTorch 理解“数据驱动预报”为了让你直观理解数据驱动预报的核心流程这里用一个极简示例演示用过去 12 小时的气温序列预测未来 6 小时的气温。这不是 WeatherNext 的实现但完整展示了“从历史数据学习状态演化”的核心思路。import numpy as np import torch import torch.nn as nn # 构造一段模拟的温度时间序列周期变化 噪声 np.random.seed(42) hours np.arange(24 * 30) temp 10 5 * np.sin(2 * np.pi * hours / 24) np.random.randn(24 * 30) * 0.5 # 归一化 mean, std temp.mean(), temp.std() temp_norm (temp - mean) / std # 构造滑动窗口样本 def make_samples(seq, input_len12, pred_len6): X, y [], [] for i in range(len(seq) - input_len - pred_len): X.append(seq[i : i input_len]) y.append(seq[i input_len : i input_len pred_len]) return np.array(X), np.array(y) X, y make_samples(temp_norm) X torch.tensor(X, dtypetorch.float32).unsqueeze(-1) y torch.tensor(y, dtypetorch.float32).unsqueeze(-1) # 定义一个简单的前馈网络 class SimpleForecastModel(nn.Module): def __init__(self, input_len12, pred_len6): super().__init__() self.fc nn.Sequential( nn.Linear(input_len, 64), nn.ReLU(), nn.Linear(64, pred_len), ) def forward(self, x): return self.fc(x.squeeze(-1)).unsqueeze(-1) model SimpleForecastModel() loss_fn nn.MSELoss() optimizer torch.optim.Adam(model.parameters(), lr1e-2) # 训练 for epoch in range(200): optimizer.zero_grad() pred model(X) loss loss_fn(pred, y) loss.backward() optimizer.step() if (epoch 1) % 50 0: print(fepoch {epoch 1}, loss {loss.item():.6f})运行后你会看到 loss 逐渐下降。这说明一个非常简单的前馈网络也能从历史序列中学习到一定的温度演化规律。真实的 WeatherNext 之所以复杂是因为它把这里的一维序列换成了全球网格上的三维时空场把简单网络换成了图神经网络和扩散模型把单一变量换成了几十个气象变量。但本质上的“输入历史状态、预测未来状态”这一点是一致的。6.4 开发者可以长期关注的方向如果你打算在这个方向深耕下面几个方向值得长期关注图神经网络在不同网格结构上的应用。扩散模型在高维时空数据上的高效采样。如何把物理约束引入神经网络减少不合理输出。如何设计评估指标既反映平均误差也反映极端事件捕捉能力。如何把模型部署到业务系统与现有气象数据链路对接。这些方向任何一个都足够支撑长期的技术积累而且和主流深度学习技术栈高度相关转型成本相对较低。7. 常见问题与误区7.1 高频问题排查表问题常见原因解决思路把 WeatherNext 和 GraphCast 当成同一个模型两者有继承关系但并非同一版本查论文发布时间GraphCast 是 2023 年WeatherNext 是 2025 年系列认为 AI 预报已经完全取代数值预报目前 AI 预报在数据同化、极端事件上仍有局限把 AI 预报视为补充手段与数值预报交叉验证期望直接复现 WeatherNext 完整模型模型规模、训练数据、算力要求都很高从 GraphCast 开源实现或简化版本入手用训练集数据评估模型标准错误会造成严重乐观偏差严格按时间划分训练/验证/测试集只关注平均误差忽略极端事件表现平均指标好不代表极端事件捕捉能力强额外评估气旋路径、热浪等极端事件的预测准确率7.2 两个值得详细解释的问题第一个常见问题是为什么 AI 预报模型练出来之后有时会出现“物理不合理”的结果这是因为模型是从数据中学习的统计规律而不是直接遵守物理方程。数据中已经隐含了物理规律但模型在输入分布之外或者罕见场景下可能输出不符合物理常识的结果。解决思路一般包括在训练损失中加入物理约束项或者在推理后增加物理过滤/后处理环节。第二个常见问题是为什么天气预报永远不能做到 100% 准确因为大气系统本身存在混沌特性初始条件的微小差异会在远期放大。这是大气内在的可预报性上限任何模型都无法完全规避。AI 模型能做的是更高效地刻画这种不确定性而不是消除它。8. 最佳实践与工程建议8.1 数据版本管理气象数据动辄几个 TB数据版本管理非常重要。建议在项目开始时就把数据集、样本划分、预处理代码全部纳入版本管理记录每个模型训练时使用的数据版本和预处理参数。否则后面排查“模型为什么突然变差”时会非常痛苦。8.2 评估基线不能只看平均误差在评估 AI 预报模型时要建立多层次的评估体系全局平均误差RMSE、MAE 等。分区域评估热带、极地、海洋、陆地分别评估。分强度评估重点看强降水、强风、气旋等极端事件的命中率。概率评估对概率预报使用 CRPS连续排序概率评分等指标。只报告平均误差的模型报告在实际业务中是远远不够的。8.3 不确定性输出要配套风险提示AI 预报模型输出概率结果时一定要配套解释和风险提示。不要让业务用户只看“某路径最可能”的结果而要让他们看到“可能影响范围”的完整分布。有条件的话把 AI 预报和传统数值预报放在同一份报告中对比让用户自己判断置信度。8.4 生产环境变更必须可回滚如果把 WeatherNext 类模型接入生产环境务必遵循最小变更原则先离线评估再小流量上线。与现有预报系统并行运行一段时间积累对比结果。建立人工审核机制发现异常输出及时回滚。保留前一个版本模型确保可以快速切换。这本质上是一个典型的风控流程和普通算法模型上线没有本质区别。气象预报会影响真实的防灾决策宁可谨慎也不要激进。8.5 关注算力成本与推理时延传统数值预报动辄需要超算集群AI 模型推理只需要单卡 GPU但这并不意味着完全不需要算力规划。训练阶段仍然需要大规模算力推理阶段如果要做高频更新、多区域并行也需要合理的 GPU 资源调配。建议在工程规划时把“训练成本”和“推理成本”分开预算。训练成本是项目建设期的投入推理成本才是长期运营的持续开销。9. 总结与学习路线WeatherNext 系列模型让我印象最深的一点是它把“AI 天气预报”从单一的确定性预测推进到了一个更完整的预报体系确定性预测、概率预测、海洋预报各司其职。而它在热带气旋这类极端天气上的表现也让更多人看到了生成式模型的真正价值——不是生成一张漂亮的图而是生成一组能帮助决策的风险场景。如果你想深入这个方向可以按下面的路径继续推进第一步读 WeatherNext Graph 和 WeatherNext Gen 的论文把模型结构图画一遍。第二步跑通 GraphCast 或 Pangu-Weather 的开源实现理解气象数据的实际处理流程。第三步用 xarray 处理真实的 ERA5 数据构建一个自己的小规模预测实验。第四步关注官方和社区是否放出 WeatherNext 的权重和推理代码用真实模型做复现和对比评估。这个领域目前还处于快速发展期论文发布和代码开源的节奏都很快。今天看这篇文章时的一些信息可能几个月后就会有更新所以一定要养成读原始论文和看官方文档的习惯。如果你的工作中也涉及气象、海洋、能源、物流这类受天气影响的业务不妨从一个小实验开始把 AI 预报的能力接到自己的数据链路上试试。