谷歌DeepMind推出WeatherNext Cyclones（WN-C），一個用於熱帶氣旋預報的AI系統，其預測時效比領先業務模型長約一天，相當於傳統模型過去十年的進步。該系統與美國國家颶風中心（NHC）、大氣研究合作研究所及英國氣象局合作開發，自2025年6月起已在谷歌天氣實驗室即時執行。在2025年登陸牙買加的颶風梅麗莎期間，WN-C幫助NHC及時預測了風暴的快速增強——即24小時內風速至少增加30節（約34英里/小時）的現象。

WN-C解決了氣旋預報中一個長期存在的權衡問題。全球模型如ECMWF的集合系統（ENS）在路徑預測上表現強勁，但解析度不足以精確預測強度；而區域專門模型如NOAA的颶風分析與預報系統（HAFS）能提供更精確的強度讀數，但在路徑預測上精度下降。WN-C在單一系統中同時處理兩者。根據發表在《自然》雜誌上的論文，在五天預報中，預測風暴中心位置的平均誤差為230公里，而ENS為370公里，DeepMind前代模型GenCast為335公里。在三天強度預報中，WN-C比HAFS準確3.75節（約4.3英里/小時）。

WN-C在多個提前期的機率性風暴強度預報上，得分是ENS和GenCast的兩倍以上。對於64節風速（颶風強度閾值）的機率，DeepMind表示該模型為決策提供了比ENS更高的實用價值。

值得注意的是，WN-C使用的資料網格中每個點覆蓋約28公里，比專門區域模型粗糙約一百倍。即使是一個每格111公里的緊湊變體也能產生有競爭力的結果。論文作者寫道：“高解析度並非最先進強度預測的嚴格先決條件。”這種粗糙資料中蘊含的關於風暴強度的資訊似乎比任何人想象的都要多。模型如何在這種解析度下產生如此準確的預測，仍是一個開放的研究問題。

WN-C採用功能生成網路（FGN），而GenCast依賴擴散方法（AI影像生成器中最知名的方法），每個預測步驟需要數十次神經網路傳遞。FGN只需一次傳遞，速度快八倍。為了捕捉不確定性，系統不向單個畫素新增噪聲，而是將噪聲注入網路的控制層，從而產生不同但物理上一致的場景，而非僅僅是同一輸出的噪聲變體。

訓練使用了兩個截然不同的資料來源：來自ECMWF分析的近20TB全球大氣資料，以及一個包含約5000個歷史氣旋的精選資料庫。為了讓模型同時從兩者學習，表格風暴資料（包括位置、強度和範圍）被投影到與天氣資料相同的地理網格上，使網路能直接預測路徑、強度和風半徑。論文中的消融研究表明，這種聯合訓練是改進的關鍵。

在谷歌AI晶片上，15天預報執行不到一分鐘，因此DeepMind將並行預報執行次數從50次擴充套件到1000次。如此大的集合有助於更可靠地捕捉罕見極端事件。論文顯示，關鍵成功指數（權衡正確預警與誤報、漏報）從低於0.3躍升至0.5。

DeepMind強調，傳統數值模型仍然重要。NHC通常將多個基於物理的模型結果加權平均作為官方預報，分為路徑（TVCN）和強度（IVCN）。在模擬加權加入這些共識模型時，WN-C將路徑預報平均提高28%，強度提高約6%。強度改進較小表明傳統模型在該領域仍貢獻顯著。

DeepMind已將WeatherNext 2和WeatherNext Cyclones的程式碼和權重在GitHub上開源，迷你版可在免費Colab筆記本中的單個TPU上執行。