DeepMind 飓风预测模型登《自然》：AI 比传统模式多争取一天预警时间

Google DeepMind 的一项飓风预报研究登上了最新一期《自然》杂志。论文核心结论很直接：基于 AI 的 WeatherNext 模型，在气旋路径和强度预测上做到了此前没有的精度，平均比现有主流方法多给出约一天的有效预警时间。

最具说服力的案例是 2025 年 10 月袭击牙买加的飓风 Melissa。WeatherNext 在登陆前 5 天就以 80% 的置信度预测它将以 5 级强度登陆。传统模型在这一时间尺度上往往给出明显偏弱的判断，而提前锁定最高等级意味着疏散、应急和资源调度可以更早启动。

技术脉络：从数值预报到 AI 预报

过去几十年，飓风预报主要依赖数值天气预报，通过求解大气物理方程组来推演未来状态。这类方法物理意义清晰，但算力消耗大、对初始条件敏感，且在小尺度极端事件上仍存在系统性偏差。

近两年，DeepMind、华为、英伟达、复旦大学等团队陆续把 AI 模型搬上天气赛场，用深度学习直接从历史观测中学习大气演化规律。WeatherNext 正是这一路线下的最新成果，其底层结构与 GraphCast 类似，并针对热带气旋做了专门的训练和优化。

预警时间多一天意味着什么

论文里一个关键说法是：WeatherNext 三天的预测精度，相当于现有模型两天的水平。换句话说，它把每一档预报时效都往前推了一天。对沿海城市、电网调度和保险公司而言，多 24 小时几乎等于多了一个完整的决策周期。

气象机构一直把"提前 24 小时"当作应急响应的关键阈值。AI 模型若能稳定兑现这一增量，疏散窗口、港口关闭、户外作业停止等动作可以更从容，不必在最紧张的几小时里临时拍板。

中文用户和行业可以关注什么

对国内 AI 工具使用者和气象科技公司来说，WeatherNext 的真正信号不在于某个具体飓风，而在于"科学发现型 AI"正在走向成熟。这类模型不需要每次重新训练庞大的物理模拟器，推理成本相对可控，更适合被集成进应急、能源、农业等垂直业务系统。

DeepMind 曾公开过类似 GraphCast 的模型权重与代码，气象研究者可以在自有数据上做微调。国内高校和企业在台风路径预测、短临降水、新能源功率预测等场景，已经具备把同类 AI 模型接入既有业务的能力，关键在于数据回流和本地化验证。

后续值得观察的几件事

第一，模型是否会在太平洋和南海台风上同样表现稳定。北大西洋飓风训练数据丰富，但西北太平洋的台风结构、路径和强度分布并不完全一致，迁移效果有待验证。

第二，AI 预报与传统模式的融合方式。当前主流仍是"AI 输出 + 人工会商"，未来是否会出现 AI 直接生成可执行应急方案的端到端系统，是更激进的方向。

第三，可解释性与责任边界。当 AI 比预报员更早判断 5 级强度，决策错误时的归因会更复杂，气象部门和监管机构迟早要面对这一类问题。

可以确定的是，AI 已经成为天气这一古老科学领域的新基础设施。谁先把模型接进真实业务，谁就更有可能在下一次极端天气到来时少交一些学费。