天气预报正从物理模拟转向数据驱动。谷歌研究院和DeepMind联合发布的WeatherNext 3，彻底抛弃了传统数值天气预报的物理方程，转而直接从实时卫星数据中学习天气演变规律。
发生了什么
WeatherNext 3是谷歌在天气预测领域的最新模型。与前代相比，它不再依赖物理模拟，而是直接输入实时卫星观测数据，通过机器学习模型预测未来的天气状态。该模型能够生成每小时一次、分辨率高达5公里的预报，空间细节是前代产品的五倍。谷歌表示，这一技术有望为非洲、拉丁美洲和亚太地区等长期缺乏精准预报的地区带来显著改善。
为什么重要
传统天气预报依赖数值模型，通过求解大气物理方程来模拟天气变化，这需要巨大的计算资源，且对初始数据的精度要求极高。许多发展中国家因缺乏密集的地面观测站和超级计算机，难以生成高精度预报。WeatherNext 3的路径绕开了这些瓶颈：卫星数据全球覆盖，机器学习模型可以在相对低成本的硬件上运行，且训练完成后推理速度极快。这意味着，预报能力不再与基础设施投入强绑定，欠发达地区可能首次获得与发达国家同等水平的预报服务。
此外，从物理模拟到数据驱动的转变，也反映了AI在科学计算领域的范式迁移。类似DeepMind的AlphaFold在蛋白质结构预测上的突破，WeatherNext 3展示了在复杂动态系统中，纯数据驱动方法也能达到甚至超越传统模型的潜力。
影响与看点
对气象行业而言，WeatherNext 3可能推动预报服务从“集中式超算”向“分布式智能”转变。商业气象服务商、农业保险公司、物流企业等，都可能利用这类模型快速生成定制化预报，而无需自建超算中心。对开发者来说，模型的开源与否是关键看点——若谷歌开放权重，将极大促进全球气象AI的研究和应用；若仅提供API，则可能形成新的服务垄断。
值得关注的是，数据驱动模型在极端天气事件（如飓风、暴雨）上的表现仍需验证，因为训练数据中此类事件稀少，模型可能低估其强度。此外，卫星数据的质量与时效性直接影响预报准确性，如何整合多源卫星数据并处理缺失值，是工程上的挑战。
我的独立判断是：WeatherNext 3的真正价值不在于技术指标，而在于它验证了一条可复制的路径——在数据丰富但物理机制复杂的领域，纯学习范式可以快速落地并普惠全球。未来，类似的“数据直接学习”模型可能出现在地震预测、空气质量监测等领域。
