飓风登陆前一天，地方政府能多做的事情很具体：开避难所、调救援车、停港口、把老人和病人先送走。Google DeepMind 8 月 6 日发布的 WeatherNext Cyclones，新闻点就在这一天。
这套模型登上 Nature，同步开源代码和权重。Google DeepMind 的说法是，它对热带气旋路径、强度和风场结构的三天预报，平均达到过去模型两天预报的水平。换成灾害现场的话，就是同样精度下多出约 24 小时决策窗口。
它不该被读成“AI 独自预报台风”。Google 在 GitHub 说明里也写得很清楚：这些模型不替代官方预警。更准确的读法是，AI 天气模型开始进入业务预报员的工具箱，尤其补上气旋强度这个传统难题。
难点在路径和强度要一起算
气旋预报过去有个长期分工。路径看大尺度环流，全球粗分辨率模型擅长；强度看风眼附近的热力、水汽和海气交换，通常要更细的区域模型。一个模型同时把“往哪走”和“会不会迅速增强”算准，并不容易。
WeatherNext Cyclones 的做法，是把全球天气动力学和人工整理的气旋历史记录一起训练。官方博客披露，训练用到近 20TB 全球大气数据，以及 IBTrACS 数据库中近 5000 场 历史风暴记录。模型会从全球状态开始，最长向前滚动 15 天，再用追踪器提取气旋路径、强度和风半径。
Google DeepMind 在 2023 到 2024 年历史气旋上做回测，并与主要业务模型比较。结果显示，在路径、强度和风场结构三个指标上，WeatherNext Cyclones 平均拿到超过 24 小时 的提前量。官方图表还给出一个直观口径：三天预报效果接近过去两天预报，约等于过去 20 年趋势下十年气象进步。
这里的“领先一天”并非单个漂亮案例。它对现场有用，前提是预报员能把概率输出翻译成影响判断。美国国家飓风中心主任 Mike Brennan 对 WIRED 说：
“Time is really golden when it comes to those types of decisions.”
这句话放到中文语境里，就是撤离、物资前置和应急排班都吃时间，少几个小时都可能改变成本和风险。
低分辨率做强度预报，反倒成了悬念
WeatherNext Cyclones 另一个反常识点，是它没有靠极高分辨率硬怼强度预报。官方称，模型使用 28×28 公里 分辨率输入，粗到传统高分辨率模型的 100 倍；一个 mini 版本还能在 111×111 公里 更粗尺度下保持不错表现。
这件事让论文作者也谨慎。WIRED 采访中，DeepMind 研究员 Ferran Alet 提到，低分辨率输入里似乎包含了过去没被充分理解的强度信号。CIRA 的 Kate Musgrave 也说，历史上 AI 模型常能看路径，强度却做不好；实时演示保持住回测表现后，团队才放下疑虑。
对中文读者来说，这里有两个增量判断。第一，AI 气象模型的价值不只在“更快”，也可能把气象学家带回原理问题：哪些大尺度信号足以预示局地急剧增强。第二，模型黑箱仍然存在，越接近防灾决策，越不能只看排行榜误差，必须保留人工预报员和多模型会商。
从 50 条路径扩到 1000 条路径
天气预报最怕只给一条线。路径偏东还是偏西、强度是否突然抬升、风圈是否覆盖港口，这些低概率高损失分支才是应急部门最需要看的。
WeatherNext 今年把单个气旋的集合预报规模从去年的 50 个情景 扩到 1000 个情景。Google DeepMind 称，一个 15 天预报可在单个 TPU 上不到一分钟生成。这个速度给概率预报留出空间：预报员可以看主路径，也能看尾部风险。
2025 年飓风 Melissa 是官方拿出来的现实案例。WIRED 报道称，模型在登陆前五天以 80% 置信度判断其会增强并袭击牙买加，最终帮助 NHC 提前发布预警。这个案例不能直接证明下一场风暴也会被同样抓住，但它说明 AI 模型已经从实验室回测进入真实值班流程。
开源之后，看谁能把它本地化
这次发布的产业含义在开源。GitHub 仓库显示，WeatherNext 2 和 WeatherNext Cyclones 代码在 Apache 2.0 下发布，其它材料采用 CC BY 4.0；预训练权重和样例数据可通过 Google Cloud Bucket 获取。仓库还列出多个检查点：用于 2025 飓风季的 WeatherNextCyclones 2025 版，复现实验的 2024、2023 版本，以及更轻的 Cyclones Mini。
这给东亚台风区留下一个实际问题：模型开源后，气象机构、高校和灾害管理部门能否用本地海域、地形、观测站和历史台风资料做二次评估。西北太平洋台风路径、登陆地形和预警体系都不同，不能把大西洋飓风季表现直接等同于中国沿海、台湾、日本或菲律宾场景。
一个可操作的本地化路线，应该从回放过去十年台风开始。先把模型输出和中央气象台、日本气象厅、菲律宾 PAGASA 等机构的业务预报放在同一套时间窗里比较，再单独拆出快速增强、近海转向、登陆前路径摆动这些高损失场景。普通平均误差下降有意义，但防灾部门最怕的是临门一脚误判。
第二层测试要进工作流。比如沿海城市面对 48 小时内可能登陆的台风时，模型给出的 1000 条情景里，有多少比例指向港口停航、学校停课或低洼区转移。这个比例阈值由地方预案决定，AI 只能提供更细的概率分布，行动线仍要由气象、交通、应急管理部门共同设定。
还要防止一个误读：开源模型降低了研究门槛，业务化门槛并没有跟着消失。实时观测质量、初始场数据、算力可用性、预报员培训、公众风险沟通，都会影响最终效果。对中国读者来说，它更像一个可复核的外部样板，逼着本地台风预报系统回答同一个问题：多出来的一天，能否真的转化成更早的行动。
下一步最该看的指标有三个：各盆地独立回测误差、强度快速增强命中率、以及预报员在业务流程里使用后是否真的改变提前撤离和资源调度。模型分数高，只是第一关；让预警多争一天，还要接上地方政府和公众沟通链条。
WeatherNext Cyclones 的意义就在这个连接点。AI 没有取代气象预报，它把一个长期只能慢慢推进的精度曲线，突然往前推了一格。剩下的问题，是这一天能否从论文图表变成港口、学校和社区里的行动时间。
参考来源：Google DeepMind、Google Blog、Nature、WIRED、GitHub WeatherNext、CocoLoop；核验 WeatherNext Cyclones 发布节点、Nature 发表节点、三天与两天预报口径、24 小时提前量、20TB 大气数据、近 5000 场历史风暴、1000 个集合情景、28×28 公里输入分辨率、15 天预报与开源许可。