谷歌DeepMind推出WeatherNext Cyclones（WN-C），一个用于热带气旋预报的AI系统，其预测时效比领先业务模型长约一天，相当于传统模型过去十年的进步。该系统与美国国家飓风中心（NHC）、大气研究合作研究所及英国气象局合作开发，自2025年6月起已在谷歌天气实验室实时运行。在2025年登陆牙买加的飓风梅丽莎期间，WN-C帮助NHC及时预测了风暴的快速增强——即24小时内风速至少增加30节（约34英里/小时）的现象。

WN-C解决了气旋预报中一个长期存在的权衡问题。全球模型如ECMWF的集合系统（ENS）在路径预测上表现强劲，但分辨率不足以精确预测强度；而区域专门模型如NOAA的飓风分析与预报系统（HAFS）能提供更精确的强度读数，但在路径预测上精度下降。WN-C在单一系统中同时处理两者。根据发表在《自然》杂志上的论文，在五天预报中，预测风暴中心位置的平均误差为230公里，而ENS为370公里，DeepMind前代模型GenCast为335公里。在三天强度预报中，WN-C比HAFS准确3.75节（约4.3英里/小时）。

WN-C在多个提前期的概率性风暴强度预报上，得分是ENS和GenCast的两倍以上。对于64节风速（飓风强度阈值）的概率，DeepMind表示该模型为决策提供了比ENS更高的实用价值。

值得注意的是，WN-C使用的数据网格中每个点覆盖约28公里，比专门区域模型粗糙约一百倍。即使是一个每格111公里的紧凑变体也能产生有竞争力的结果。论文作者写道：“高分辨率并非最先进强度预测的严格先决条件。”这种粗糙数据中蕴含的关于风暴强度的信息似乎比任何人想象的都要多。模型如何在这种分辨率下产生如此准确的预测，仍是一个开放的研究问题。

WN-C采用功能生成网络（FGN），而GenCast依赖扩散方法（AI图像生成器中最知名的方法），每个预测步骤需要数十次神经网络传递。FGN只需一次传递，速度快八倍。为了捕捉不确定性，系统不向单个像素添加噪声，而是将噪声注入网络的控制层，从而产生不同但物理上一致的场景，而非仅仅是同一输出的噪声变体。

训练使用了两个截然不同的数据源：来自ECMWF分析的近20TB全球大气数据，以及一个包含约5000个历史气旋的精选数据库。为了让模型同时从两者学习，表格风暴数据（包括位置、强度和范围）被投影到与天气数据相同的地理网格上，使网络能直接预测路径、强度和风半径。论文中的消融研究表明，这种联合训练是改进的关键。

在谷歌AI芯片上，15天预报运行不到一分钟，因此DeepMind将并行预报运行次数从50次扩展到1000次。如此大的集合有助于更可靠地捕捉罕见极端事件。论文显示，关键成功指数（权衡正确预警与误报、漏报）从低于0.3跃升至0.5。

DeepMind强调，传统数值模型仍然重要。NHC通常将多个基于物理的模型结果加权平均作为官方预报，分为路径（TVCN）和强度（IVCN）。在模拟加权加入这些共识模型时，WN-C将路径预报平均提高28%，强度提高约6%。强度改进较小表明传统模型在该领域仍贡献显著。

DeepMind已将WeatherNext 2和WeatherNext Cyclones的代码和权重在GitHub上开源，迷你版可在免费Colab笔记本中的单个TPU上运行。