WeatherNext：登上 Nature 封面的 AI 气象预报模型，Apache 2.0 + CC BY 4.0 商业可用 ｜SSP Github Daily
每日开源 · 第 109 期 · 早间篇Google DeepMind 把飓风预警提前了一整天代码权重全开源WeatherNext登上 Nature 封面的 AI 气象预报模型Apache 2.0 CC BY 4.0 商业可用2026 年 8 月 10 日 · 周一**免责声明**本项目依赖 GitHub、Google Cloud 等境外公开数据源与平台部分服务在中国大陆访问可能需要合规网络环境。WeatherNext 模型为研究项目不能替代各国官方气象机构的预警和公告。今天聊什么8 月 6 日Google DeepMind 在Nature上发表了 AI 飓风预测的里程碑论文同时把WeatherNext 2和WeatherNext Cyclones的完整代码和预训练权重全部开源到 GitHub。这不是玩具——它已经在 2025 年大西洋飓风季实战部署帮美国国家飓风中心NHC提前 5 天预测了 Hurricane Melissa 从 1 级猛跳到 5 级并登陆牙买加的全过程。更关键的是这次的许可证从之前的CC BY-NC-SA非商用升级为 Apache 2.0 CC BY 4.0商业可用。能源公司、保险公司、物流企业可以直接拿权重做商业产品了。项目速览**7,084**GitHub Stars180M参数量每种子1,000集成成员数1 分钟15 天预报耗时24 小时额外预警提前量8× 更快比 GenCast项目名称google-deepmind/weathernext出品方Google DeepMind × Google Research联合 NHC / CIRA / UK Met Office核心架构Functional Generative Network (FGN)语言PythonJAX Haiku53 commits许可证代码 Apache 2.0 · 权重 CC BY 4.0均可商用论文发表Nature, 2026-08-06doi:10.1038/s41586-026-10953-2GitHubgithub.com/google-deepmind/weathernext数据源ERA5 全球大气再分析ECMWF HRES 预报 IBTrACS 历史飓风数据库近 5,000 场风暴训练数据量约 20 TB 全球大气数据它能解决什么问题热带气旋飓风/台风是地球上最具破坏力的自然灾害。过去 50 年造成超 70 万人死亡、1.4 万亿美元经济损失。飓风预报有一个根本性矛盾路径 vs 强度两个模型的时代一个风暴的路径往哪走由大尺度大气环流驱动 → 需要粗粒度全球模型。而强度变多强由风眼壁的精细热力学驱动 → 需要高分辨率局域模型。传统上要用两套系统拼接中间的接缝就是误差来源。难得要命的「快速增强」风暴在 24 小时内从 1 级跳到 5 级——这在历史上是最难预测也最致命的场景。传统物理模型需要超算跑数小时才能更新一次逐小时变化的实时决策窗口根本等不起。WeatherNext 用一个模型同时搞定路径、强度和风场结构——然后在单张 TPU 上不到 1 分钟跑出 1,000 种可能情景。这就是它登 Nature 的原因。核心技术深度解析① Functional Generative Network从边缘学习联合分布FGN 是 WeatherNext 的灵魂也是和上一个世代GenCast / GraphCast最大的不同。它的关键设计思路非常巧妙核心洞察模型只在每个地理位置的温度/风速/气压等边缘分布上计算 CRPS 损失来训练——不直接学习空间相关性。但通过在整个函数空间注入一个全局共享的 32 维噪声向量 z模型被迫学会生成具有物理一致性的、空间上自洽的天气场景。z 对全网是相同的所以模型学会了一个随机扰动同时影响所有位置的联合模式。架构核心Functional Generative Network (FGN)每种子参数180M模型种子数4 个深度集成 deep ensemble隐层维度768Transformer 层数24噪声维度32时间步长6 小时预测时域15 天60 个自回归步# FGN 的核心函数空间噪声注入 # z ~ N(0, I)^32 从标准正态分布采样 32 维噪声 # 在每一层的条件归一化中注入 # x ConditionalLayerNorm(x, z) # 即γ(z) * (x - μ)/σ β(z) # z 全局相同 → 生成空间自洽的天气场景 # 训练只优化边缘 CRPS → 但模型学会了对联合分布建模和 GenCast 那种需要迭代去噪的扩散模型不同FGN单次前向传播就能生成一个完整集成成员——这就是 8 倍加速的来源。1,000 个成员在 1 分钟内全部跑完。② 打破百年气象信条100 倍粗分辨率反而更准整个气象学界几十年的共识是预测飓风强度必须用超高分辨率模型通常 1-3 公里网格因为风暴核心的热力学过程发生在很小尺度上。WeatherNext 用28 公里分辨率约 100 倍粗做到了最好的强度预测。连 DeepMind 自己都在论文里承认“为什么模型在这个分辨率下依然这么准目前还是一个开放研究问题。”“This is an unusual admission to publish alongside a state-of-the-art claim.” — 来自 datanorth.ai 的评论这暗示模型可能学到了某种超越网格分辨率的大气动力学表征——这个谜题本身就值得气象学和 AI 两个领域深入研究。③ 三代模型同仓库一条完整的技术演进线weathernext 仓库同时托管了三代模型的代码GraphCastWeatherNext Graph— 确定性预测Science 2023 论文。36.7M 参数编码器-处理器-解码器 GNN 架构基于 6 级二十面体网格40,962 节点。预测 10 天超过 ECMWF HRES 在 90% 验证目标上的表现。推理不到 1 分钟。GenCastWeatherNext Gen— 扩散模型集成预测Nature 2024 论文。~60M 参数将扩散模型适配到球面几何。生成 50 集成成员超过 ECMWF ENS 在 97.4% 验证目标上。每个成员 8 分钟需要迭代去噪。WeatherNext 2FGN— 当前旗舰Nature 2026 论文。180M 参数/种子 × 4 种子。FGN 架构单次前向生成。超过 GenCast 在 99.9% 变量和时域上。CRPS 平均提升 6.5%8 倍加速。已用于 Google Search / Maps / Pixel Weather。④ 二十面体网格所有模型的共享基础设施传统经纬度网格在极地有根本性问题网格单元缩小到接近零、纵横比极端、面积不均衡。WeatherNext 系列全部基于六层二十面体网格M640,962 个节点近似均匀分布在全球——这是 DeepMind 从 GraphCast 时代就建立的核心基础设施。实战验证2025 年大西洋飓风季**Hurricane Melissa 案列**从 1 级飓风爆炸性增强到 5 级超级风暴WeatherNext 提前 5 天预测了路径和强度包括其最终在牙买加的登陆位置。这给当地应急管理团队争取了数天的疏散和基建加固时间。在 Nature 论文的基准评估中WeatherNext Cyclones 与 ECMWF 的 ENS路径标准和 HWRF强度标准进行了直接对比24 小时提升3 天预报 ≈ 传统模型 2 天预报的准确度进步幅度相当于气象学约 10 年的技术进步基于过去 20 年趋势3 天路径误差约 100 公里vs ECMWF-ENS3 天强度误差约 11 节vs HWRF集成规模从 2024 年的 50 成员扩展到 2025 年的 1,000 成员1,000 成员的意义不仅是精度——它让预报员能看到那些低概率但高影响的尾端风险突然转向、突然增强、路径分裂。这类场景用 50 个成员可能根本采样不到但 1,000 个成员能稳定地暴露它们。上手指南安装一行 pip 命令搞定建议固定版本号pip install githttps://github.com/google-deepmind/weathernext.gitv0.3.0跑起来最快上手方式直接打开 Google Colab 官方 Demo 笔记本默认加载 WeatherNext Cyclones Mini1° 分辨率免费 TPU v5e-1 即可运行。完整版 0.25° 需要 v5p TPU或 H100 GPU 切换注意力实现。# Colab 直通车 # 打开后自动加载权重、初始化模型、跑自回归推理、可视化输出 https://colab.research.google.com/github/google-deepmind/weathernext/blob/master/docs/weathernext2/wn2_demo.ipynb模型权重预训练权重托管在 Google Cloud Bucketgs://dm_graphcast。仓库提供三类模型1****WeatherNext 2业务版0.25° 分辨率ECMWF HRES 微调可直接从 HRES 初始条件启动。权重文件WeatherNext2_2025_model{1,2,3,4}.npz2****WeatherNext Cyclones论文版0.25° 分辨率2023/2024/2025 三个检查点对应论文中的不同评估年份。权重文件WeatherNextCyclones_2024_model{1,2,3,4}.npz3****WeatherNext Cyclones Mini轻量版1° 分辨率单 TPU/GPU 可跑。权重文件WeatherNextCyclones_Mini_2024.npzDemo 笔记本里你会学到1自动从 GCS Bucket 加载模型权重2加载初始天气状态数据如 HRES 初始条件3初始化 FGN 架构4执行自回归 rollout 生成预报序列5可视化输出温度、风速、位势高度等6运行直接追踪器从输出中提取飓风轨迹如果你是科研人员想复现训练完整训练数据从 ECMWF 下载 ERA5 再分析数据集推荐通过 WeatherBench2 的 Zarr 格式访问。业务微调WeatherBench2 的 HRES-fc0 分析数据。这些数据集有各自的条款使用前请确认合规。不想跑模型只想看预报Google 提供了多层访问方案Google CloudEarth Engine / BigQuery / Vertex AI、WeatherLab含飓风轨迹可视化、OpenMeteo API。已有每日数据馈送可直接消费。技术生态与影响**许可证升级的商业意义**GraphCast 和 GenCast 的权重都是 CC BY-NC-SA非商用而 WeatherNext 2 的权重是CC BY 4.0允许商用只需署名。对气象公司、能源交易、保险精算这些领域而言这意味着可以合法地把模型权重嵌入商业产品——不需要从头训练。应用场景远超气象预报本身可再生能源调度风场、云量预测直接影响风电和光伏的发电预估。更精确的 0-15 天预报可以优化电网调度、降低储能成本。灾害应急响应1,000 成员集成暴露尾端风险——让民防部门提前评估最坏情况做物资前置部署和人口疏散计划。供应链与物流极端天气是供应链中断的主要原因。精确概率预报让企业可以提前调整路线和库存。科学研究28 公里分辨率能达到 SOTA 这个谜题本身就是研究金矿。为什么 AI 能从粗分辨率中学到精细物理大气动力学中哪些信息是分辨率无关的今日总结WeatherNext 代表了 AI for Science 在气象领域的一个质变节点它不是一个实验室玩具而是一个已经在 2025 年实战验证、Nature 同行评审、国家气象机构认证的运营级 AI 预报系统。更重要的是Google 选择在 Nature 发表当天全量开源——代码、权重、Demo 一键到位还带了商业可用许可证。这对整个气象 AI 生态意味着中小气象机构、气候创业公司、发展中国家——那些没有能力训练 20TB 数据级模型的团队——现在可以直接用上世界顶级的预报能力。从读论文羡慕到pip install 跑起来的转变本周刚刚发生。最后留一个开放问题DeepMind 在论文里坦言不知道为什么 28 公里分辨率还能这么准。如果你对这个问题有想法欢迎讨论。喜欢今天的内容去 GitHub 给 WeatherNext 点个 Star试试那个 Colab Notebook⭐ Star WeatherNext**** 跑 Demo参考资料GitHub 官方仓库 — google-deepmind/weathernext (7,084 Stars)Nature 论文 — Operational Tropical Cyclone Forecasting with AI (2026)arXiv 技术报告 — Skillful joint probabilistic weather forecasting from marginals (FGN 架构)Google Developers WeatherNext Guide — 模型文档与 API 指南explainx.ai 深度分析 — How WeatherNext Actually Worksdatanorth.ai 开源报道 — 模型细节与基准评估colourful.codes 评论 — 技术意义与社会影响AI Jarvis 分析 — 欧洲视角与主权气候韧性ardeshir.io 模型深度解读 — FGN 架构参数与二十面体网格详解每日开源每天一个值得深读的开源项目。2026 年 8 月 10 日 · 周一 · 早间篇本栏目内容仅供技术交流不构成任何投资建议。天气预警以各地官方气象机构发布为准。WeatherNext is a research project by Google DeepMind. Not an officially supported Google product.
