内容概览
天气预测的核心难题，是微小扰动可能在数日后演化成巨大差异，而观测永远无法覆盖大气的全部初始状态。Google DeepMind选择用机器学习从数十年的全球气象记录中提取时空规律，以不同于求解流体方程的方式逼近同一套物理过程。其发展路径从2020年的短时降雨预测，推进到GraphCast的全球十日确定性预报、GenCast的概率场景生成，再到WeatherNext 3直接吸收卫星图像并预测逐小时全球天气和地面站观测。飓风Melissa成为这一能力的现实案例：模型在风暴强度仍较低时便持续指向五级飓风，并以约80%的置信度增强了美国国家飓风中心提前发布警报的信心。受访者强调，AI模型不仅能利用全球尺度结构，还能通过多个可能未来诚实表达不确定性；但性能不能用“全面最佳”简单概括，仍须按变量、区域、时效和极端类型严格评估。下一阶段将从预测天气本身转向预测影响，把能源需求、农业、交通、保险乃至电网损害等行业数据纳入模型。长期看，AI可能取代对物理方程的传统数值近似，却不会脱离物理，因为训练数据本身就是物理世界留下的记录。
更多内容
综合洞察
由访谈中的技术路线、案例和应用方向进一步归纳出的含义。
- AI天气预报最重要的产品形态可能不是替换天气App中的图标，而是成为公共机构的概率决策基础设施：它需要同时提供结果、置信度、备选场景和适合业务判断的信息。
- WeatherNext 3将原始观测、全球状态和应用输出纳入单一架构，意味着行业竞争可能从“谁的核心预报误差最低”转向“谁能最少损失地贯通观测与决策”。
- 模型在出错时回归均值是一种稳定性优势，也是一种潜在风险：它降低数值爆炸概率，却可能弱化对罕见局部极端事件的表达，因此概率校准和分类型评估不可缺少。
- 机器学习与气象业务机构的持续协作，与模型架构本身同样关键；Melissa案例表明，只有预测能被专业预报员理解、校验并纳入正式流程，技术提前量才会转化为社会提前量。
技术细节
访谈明确提到的模型机制、输入输出、分辨率和系统架构。
- 数值天气预报从当前天气状态出发，近似求解流体运动方程，生成下一小时或六小时的状态，再将预测结果递归输入后续步骤。
- GraphCast接收全球完整天气状态，在各地应用共享的局部学习函数，同时构建覆盖全球的大尺度表示，再预测十天内的局部天气变化。
- GenCast使用概率生成方式输出多个合理未来，而非单一平均天气，以支持极端事件和风险决策。
- 扩散模型从不同噪声天气图像出发，经过去噪得到不同的合理场景，由此形成预报集合。
- 功能生成网络通过注入不同输入情景并轻微改变神经网络权重产生多样化输出；受访者称其训练效率和实际效果优于团队使用的扩散方法。
- WeatherNext 3输入原始卫星图像，并同时预测全球天气状态与机场等高质量气象站的原始观测；它支持更高空间分辨率、每小时新预报，以及六小时窗口内逐小时天气状态。
- WeatherNext 3新增风能和太阳能变量，并使用更高分辨率的地表温度和湿度支持可再生能源供给及电力负荷预测。
- 天气模型的单次输入输出规模达到数GB乃至数十GB，整体计算与数据尺度可能超过视频生成任务。
技术与事件时间线
DeepMind天气模型的演进及Melissa预报案例中的关键节点。
- 团队开始使用卫星图像预测短期降雨。
- GraphCast成为早期全球AI天气模型之一，可从全球天气状态生成最长十天的预报。
- 团队在GraphCast之后开始开发概率天气模型，首个代表是GenCast。
- 团队设立专门子团队，集中开发热带气旋预测，并与学术机构和业务气象中心合作测试。
- DeepMind发布当时最佳天气模型及Weather Lab，提供实时飓风预测。
- 模型在Melissa登陆前不足一周预测其将迅速增强为五级飓风；美国国家飓风中心随后提前约三天发布正式预警。
- WeatherNext 3开始以单一模型接收原始卫星数据、输出全球状态和地面站观测，并提供逐小时预报。
关键概念
理解访谈技术论点所需的核心术语。
- 蝴蝶效应：大气等复杂流体系统对微小初始变化高度敏感，小扰动可能随时间放大并改变大尺度天气结果。
- 数值天气预报：以当前天气状态为初值，在超级计算机上近似求解流体运动等物理方程，并递归推演未来状态的方法。
- 确定性预报：在相同输入下只输出一个未来结果的预报方式。
- 概率预报：生成多个可能未来，用场景分布表达事件可能性与预测不确定性的预报方式。
- 意大利面图：把概率预报中的多条可能风暴路径同时绘出，以展示轨迹集中程度和不确定性。
- 扩散模型：从噪声状态逐步生成符合天气分布的场景；不同初始噪声可产生不同但合理的未来。
- 功能生成网络：DeepMind提出的概率生成技术，通过改变输入情景并轻微调整神经网络参数来产生多样化预报。
- 回归均值：AI天气模型累积误差时趋向输出常态或平均天气，而非继续偏离到极端不合理状态的现象。
- 负荷预测：预测电网需要供应的电力需求；需求通常显著受到温度、湿度、供暖和空调使用影响。