每小時更新、5 公里解析度：Google DeepMind 的 WeatherNext 3 重寫全球氣象預報規則

2026 年 9 月 3 日，Google DeepMind 與 Google Research 發表了 WeatherNext 3，官方稱其為迄今最先進、最準確的全球氣象模型。這個說法並非依賴內部基準測試，而是由第三方即時評測服務 Brightband 的獨立排行榜背書——該服務持續對營運中的預報系統進行頭對頭比較。這次更新不只是單一模型改版，而是從頭到尾重新設計了 AI 預報器「看見」大氣的方式，而且已經驅動數十億人每天接觸的天氣介面，包括 Google 搜尋、Gemini 應用程式、Google 地圖、Maps Platform Weather API 與 Earth Engine。

從兩個方向解開解析度難題

預報的價值取決於細節。前一代 WeatherNext 2 以 25 公里網格、每 6 小時一次的頻率產出全球預報——掌握大範圍天氣趨勢勉強夠用，但對於真正決定你會不會淋濕的那種天氣，可以說是視而不見。WeatherNext 3 同時在時間與空間兩個軸線上突破這個限制：每小時生成一份新預報，並以原生 5 公里（0.05°）解析度呈現溫度、濕度等關鍵地表變數，其他地表變數為 10 公里，風速等大氣變數為 25 公里。整體而言，全球天氣圖比前代銳利約五倍。

差異在官方對比圖中一目了然：英國上空的 2 公尺溫度預報，過去像打過馬賽克般模糊的色塊，如今能解析出海岸線、河谷與丘陵地塑造的細緻熱力紋理。對於住在複雜地形旁的社區——溫度與濕度可能在幾公里內劇烈變化——這些細節決定了預報究竟是在描述「一個區域」，還是在描述「你家巷口」。

向衛星與氣象站學習，而不是向模擬學習

更深層的架構變革在於模型的學習來源。包括 WeatherNext 2 在內，多數 AI 氣象模型都以數值天氣預報（NWP）系統的輸出來訓練——這些由超級電腦驅動的物理模擬雖然強大，資料卻有六小時的延遲。這種延遲會系統性地偏誤降雨、地表溫度等快速變化的變數，因為模型對「現在」的掌握永遠落後半天。

WeatherNext 3 打破了這個依賴。它把逐小時的地球同步衛星觀測拼圖作為直接輸入，與傳統歷史分析資料一同餵進單一、彈性的 Functional Generative Network（FGN）網格 transformer。這個架構能輸出稠密的網格預報場、離散的氣旋路徑，並原生預測稀疏的氣象站座標點。根據隨附論文，模型參數量約為 WeatherNext 2 的 2.4 倍。

同樣關鍵的是，模型直接以稀疏的氣象站「實測」資料訓練，而非只靠網格化的再分析。氣象站就設在人們真正生活的地方——河谷、海岸、山坡——因此 5 公里的全球網格自然繼承了真實的區域細節，而不是靠內插法硬算出來。Google 把這件事框架為公平議題而非純技術問題：拉丁美洲、非洲與亞太部分地區長期缺乏高解析度預報，因為在那個精細度下做區域 NWP 模擬，需要少有國家氣象單位負擔得起的超級電腦預算。一個預設就能解析在地地形 的單一全球模型，等於把高解析度預報帶給數十億從未享有它的人。

修補最難的問題：降水

降水一直是氣象模型的墳場，無論 AI 或物理模型皆然。雨雪由小尺度的快速對流過程驅動，這正是歷來 AI 降水預報糊成一片、或完全錯過風暴邊界的原因——而當那條邊界是一道強烈雷雨帶時，這種失誤就事關重大。

WeatherNext 3 採取資料優先策略：訓練於兩個極高品質的降水資料來源——NASA 的衛星降水反演 IMERG（Integrated Multi-satellitE Retrievals for GPM），以及 Google 自家以衛星雷達為基礎的全球降水再分析。成果以連續機率排名分數（CRPS）衡量：在中期全球預報中，相對 IMERG 基準最多改善 60%，相對 MRMS 改善 30%，在早期預報時效相對雨量計實測改善 10%。反應在 Google 的消費者產品上，規劃一天以上的行程時，降水預報最多準確 50%，且改善幅度最大的，正是歷來預報最不可靠的地區。

為電網而生，不只是為雨傘

商業上最重大的創新，或許是乾淨能源變數組。WeatherNext 3 預測 100 公尺高度風速——約當風機輪轂高度——供風場發電量估算，同時提供高解析度雲量與地表太陽輻射，供太陽能電廠使用。電網營運者與再生能源開發商，如今可以用與地圖小工具同一套每小時更新的模型，規劃其資產將發多少電、如何對應需求。隨著再生能源佔比攀升，風光發電的預報誤差會直接轉化為平衡成本與化石燃料備轉容量；一個更銳利、更新更快的全球模型，可以說是完整意義上的基礎建設。

取得管道也不限於 Google 自家應用。每小時更新的全球預報資料可在 BigQuery 與 Earth Engine 查詢，並可從 Google Cloud Storage 批次下載，無需自行架設模型——讓 WeatherNext 3 成為研究人員、保險業、物流業與農業平台的資料底層。

檯面下的利害關係

把 WeatherNext 3 歸類為漸進式的產品打磨是很誘人的想法，但具體數字說明了相反的事實。由即時衛星餵養的每小時更新周期，壓縮了突如其來的風暴、鋒面與降水系統出現時的預警時間。氣象站原生訓練則消弭了富裕中緯度地區與全球南方之間數十年的預報品質落差。而再生能源變數問世的時機，恰好是全球電網以前所未有的規模應對風光間歇性的時刻。

大氣永遠保有某種程度的不可測性——Google 團隊自己也謹慎地這麼說，並提醒用戶官方劇烈天氣警報仍應以各國氣象單位為準。但藉由向真實觀測而非其模擬學習，WeatherNext 3 讓全球預報確實地更貼近地面上的實際狀況——一次一個 5 公里見方的網格。