近日，Google DeepMind与Google Research联合发布了全新的全球天气AI模型WeatherNext3。该模型打破了传统气象AI在局部地形分辨率和初始化延迟上的固有瓶颈，通过直接接入实时静止卫星拼图进行每小时初始化，并采用原始气象站观测数据进行训练，实现了从数据架构到预报精度的全方位跃升。

在核心架构与输入机制上，WeatherNext3采用了与WeatherNext2相同的概率型功能生成网络（FGN）网格Transformer架构，并进一步扩展至多分辨率输出。它的输入端直接接入了全球实时静止卫星拼图与欧洲中期天气预报中心(ECMWF)的HRES分析数据，同时在训练阶段广泛汲取了ERA5/HRES-fc0、美国宇航局(NASA)的IMERG、气象站实测数据以及卫星拼图等多源信息。传统气象AI模型通常依赖于数值天气预报(NWP)的再分析网格，这会平滑掉海岸线、山谷和山脉等实际产生的局部气候变化。而WeatherNext3通过直接针对原始气象站观测数据训练专用的输出头，让其生成的0.05度温度和露点预报更加贴近实际仪器的记录，而非单纯依靠模型自身的物理大气表征。

在分辨率与预报频次（Cadence）方面，WeatherNext3通过单次前向传递即可输出三个层级的预报结果。第一层是分辨率达0.05度(约5公里)、基于气象站训练的2米气温和露点;第二层是分辨率达0.1度(约10公里)的网格表面数据，包括10米与100米风速、气压、海面温度、云层分布、太阳辐射以及1小时降水量;第三层则是覆盖13个气压层的0.25度(约25公里)大气场。相比前代每6小时输出一次0.25度字段，其精度提升了大约5倍。在更新频次上，该模型每天进行24次初始化。其中，世界时00、06、12和18点的天气系统循环可向后延伸预测15天(360小时)并包含64个集成成员，而临时的每小时运行则覆盖48小时窗口。这种基于当前卫星观测的每小时滚动刷新，彻底打破了以往依赖滞后6小时传统数值预报分析的周期局限，对快速发展的强对流天气具有极高的捕捉价值。

在降水模拟与清洁能源变量支持上，WeatherNext3展现出了极强的业务应用潜力。降水预报一直是全球模型的历史痛点，极易产生模糊不清且错过风暴边界的场。该模型通过结合ECMWF再分析、NASA的IMERG卫星反演以及Google自身的卫星雷达降水再分析等多源数据进行训练，在早期预报阶段，其连续排名概率评分（CRPS）相比IMERG基准最高可提升60%，对比气象站雨量计也有明显改善。对于新能源领域，该模型还能精准输出约风力涡轮机枢纽高度的100米风速、低中高云层完整分布，以及太阳辐照度的各项分量。这些关键数据组合能够直接赋能电网运营商，用来精准预测风能和太阳能的发电输出。

目前，WeatherNext3的预报数据已开放申请，用户可通过BigQuery、Earth Engine以及Cloud Storage获取，但其模型权重尚未开源，且按需自定义推理目前依然运行旧版的WeatherNext2。随着该模型的全面推进，全球天气预报正加速迈向高精度、高时效的全新智能化时代。