一小時一次的天氣預報：WeatherNext 3 直接從衛星學習天氣，劍指電力市場

天氣預報已經悄悄成為 AI 在產業界最有說服力的戰場之一，而 Google 剛剛又把賭注推高了。Google DeepMind 與 Google Research 於 9 月 3 日發布的旗艦級全球天氣模型 WeatherNext 3，做到了以往任何營運級全球模型——無論 AI 還是物理模型——都沒做到的事：全天每小時直接讀取低延遲地球同步衛星資料、初始化一次全新預報，完全擺脫傳統六小時一次的分析循環。而本週，這個故事已經從研究里程碑走向商業策略：Google 開始明確地把 WeatherNext 3 推銷給電網營運商、再生能源開發商與能源交易商。

為什麼「每小時」比聽起來更重要

傳統全球預報是一條上世紀 90 年代搭建的管線：觀測資料湧入，資料同化系統把它們「燉」成一份分析場（大氣狀態的最佳猜測快照），再由 GFS、ECMWF 的 IFS 這類物理模式向前積分。這個循環每六小時跑一次。如果一場風暴恰好在兩個循環之間增強，官方預報就會瞎到下一輪為止。

WeatherNext 3 把整條管線壓縮成一個端到端的學習系統。隨附的 arXiv 論文（2609.03582，2026 年 9 月 3 日提交，由 Stephan Rasp 領軍的 25 人 DeepMind 團隊）直白地寫道，這個模型「讓營運級 AI 天氣預報超越了對資料同化、預報與後處理等傳統分離階段的模仿」。它不像 GraphCast 或 WeatherNext 前代那樣在再分析產品（經過處理、有延遲、自帶偏差的資料）上訓練，而是直接吃原始觀測：地球同步衛星輻射、衛星反演降水、熱帶氣旋路徑，甚至稀疏的地面測站資料。

回報有三層。每小時更新的預報，讓模型能近即時反應快速加深的中尺度低壓或突然爆發的對流。空間解析度提升到 0.05–0.1 度（赤道附近約 5 公里，太陽輻射與雲量等單層變數為 0.1 度）——這原本是物理模式的獨佔地盤。而且因為模型直接學習預測測站觀測，它的 2 公尺溫度與露點預報可以在任何地點生效，依據在地地理特徵調整，即使對訓練時從未見過的測站，誤差也明顯低於其他全球模式。

為電網而生的輸出

商業故事的鋒利之處在這裡。除了帳面上的準確度，WeatherNext 3 還內建了再生能源產業專屬的輸出：100 公尺風速——正好是風機輪轂的高度——加上高解析度的雲量與太陽輻射。對決定要不要把次日容量競價進市場的風場營運商，或是得在太陽能晚間退場時調度燃氣尖峰機組的電網管理者來說，預報誤差就是直接用錢計量的。路透社報導指出，這個模型「以每小時從衛星更新的風機高度風速與雲量資料，瞄準風能與太陽能營運商」；Quartz 的標題更直白：DeepMind 的新 AI 天氣模型是「為電力市場而每小時更新」。

Google 對定位毫不掩飾。WeatherNext 3 已經整合進 Search、Gemini、Maps、Google Maps Platform 與 Google Cloud——消費端得到更好的天氣答案，但真正的能源戲碼在 Cloud。開發者文件已提供程式化存取，而發布前後的報導都點名電網營運商與能源開發商是企業級受眾。這是教科書級的 Google 打法：把模型免費送給消費者，再把資料賣給那些「新鮮度與解析度等於交易優勢」的產業。

技術轉折：從原始觀測直接學習

對研究社群來說，更深遠的意義在方法論。自 GraphCast 問世以來，AI 天氣模型的批評者有兩個歷久不衰的質疑：解析度不如物理模式，以及完全依賴分析資料——這意味著模型繼承了同化系統的所有偏差，也用不上分析漏掉的觀測。WeatherNext 3 是第一個同時回應兩者的營運級答案。論文宣稱在機率式中期預報技巧上刷新紀錄（它以系集方式運行，不確定性量化是原生能力而非事後補丁），同時把時空解析度拉到與最佳物理全球模式平起平坐。

從原始衛星資料學習是更難走的路。把輻射資料同化進物理模式需要精密的觀測算子與多年調校；WeatherNext 3 選擇端到端學習「從光子到未來大氣狀態」的映射。風險在於衛星覆蓋不均，模型必須隱式學會自己的資料同化；回報則是沒有任何資訊在轉譯中流失，而且新影像一到就能重新初始化——每小時的節奏正是這樣來的。

後續觀察

三個問題值得追蹤。第一，驗證：DeepMind 對測站級準確度與降水技巧的宣稱很強，但要與 ECMWF 自身快速進步的 AIFS 系集做一整季的營運級獨立比較才算數。第二，存取經濟學：附帶能源變數的每小時全球預報，正是大宗商品交易商目前付高價向專業供應商購買的東西——Google Cloud 的定價與授權條款，將決定這是研究展示還是真的市場顛覆。第三，系集問題：論文主打機率技巧，但系集成員數、離散校準與每次小時級運算的成本，仍然大多未公開。

已經清楚的是軌跡。不到四年，AI 天氣建模從粗糙解析度地模仿物理模式，到追平，再到如今直接吞掉資料同化階段、把預報節奏改建成跟著衛星延遲走。對一個「六小時盲區可能意味著錯價一吉瓦」的產業來說，一個直接讀天、每小時更新的全球模型不是漸進升級——而是一種全新的營運節奏。Google 看見了錢在哪裡，而 WeatherNext 3 正對著它瞄準。