近日，Google DeepMind與Google Research聯合發佈了全新的全球天氣AI模型WeatherNext3。該模型打破了傳統氣象AI在局部地形分辨率和初始化延遲上的固有瓶頸，通過直接接入實時靜止衛星拼圖進行每小時初始化，並採用原始氣象站觀測數據進行訓練，實現了從數據架構到預報精度的全方位躍升。

在覈心架構與輸入機制上，WeatherNext3採用了與WeatherNext2相同的概率型功能生成網絡（FGN）網格Transformer架構，並進一步擴展至多分辨率輸出。它的輸入端直接接入了全球實時靜止衛星拼圖與歐洲中期天氣預報中心(ECMWF)的HRES分析數據，同時在訓練階段廣泛汲取了ERA5/HRES-fc0、美國宇航局(NASA)的IMERG、氣象站實測數據以及衛星拼圖等多源信息。傳統氣象AI模型通常依賴於數值天氣預報(NWP)的再分析網格，這會平滑掉海岸線、山谷和山脈等實際產生的局部氣候變化。而WeatherNext3通過直接針對原始氣象站觀測數據訓練專用的輸出頭，讓其生成的0.05度溫度和露點預報更加貼近實際儀器的記錄，而非單純依靠模型自身的物理大氣表徵。

在分辨率與預報頻次（Cadence）方面，WeatherNext3通過單次前向傳遞即可輸出三個層級的預報結果。第一層是分辨率達0.05度(約5公里)、基於氣象站訓練的2米氣溫和露點;第二層是分辨率達0.1度(約10公里)的網格表面數據，包括10米與100米風速、氣壓、海面溫度、雲層分佈、太陽輻射以及1小時降水量;第三層則是覆蓋13個氣壓層的0.25度(約25公里)大氣場。相比前代每6小時輸出一次0.25度字段，其精度提升了大約5倍。在更新頻次上，該模型每天進行24次初始化。其中，世界時00、06、12和18點的天氣系統循環可向後延伸預測15天(360小時)幷包含64個集成成員，而臨時的每小時運行則覆蓋48小時窗口。這種基於當前衛星觀測的每小時滾動刷新，徹底打破了以往依賴滯後6小時傳統數值預報分析的週期侷限，對快速發展的強對流天氣具有極高的捕捉價值。

在降水模擬與清潔能源變量支持上，WeatherNext3展現出了極強的業務應用潛力。降水預報一直是全球模型的歷史痛點，極易產生模糊不清且錯過風暴邊界的場。該模型通過結合ECMWF再分析、NASA的IMERG衛星反演以及Google自身的衛星雷達降水再分析等多源數據進行訓練，在早期預報階段，其連續排名概率評分（CRPS）相比IMERG基準最高可提升60%，對比氣象站雨量計也有明顯改善。對於新能源領域，該模型還能精準輸出約風力渦輪機樞紐高度的100米風速、低中高雲層完整分佈，以及太陽輻照度的各項分量。這些關鍵數據組合能夠直接賦能電網運營商，用來精準預測風能和太陽能的發電輸出。

目前，WeatherNext3的預報數據已開放申請，用戶可通過BigQuery、Earth Engine以及Cloud Storage獲取，但其模型權重尚未開源，且按需自定義推理目前依然運行舊版的WeatherNext2。隨着該模型的全面推進，全球天氣預報正加速邁向高精度、高時效的全新智能化時代。