Google 那个 WeatherNext 3 直接把物理模拟给扔了

纯靠数据驱动的预测能不能取代传统的数值天气预报，这在气象圈一直是个争议点。Google Research 和 DeepMind 这次出的 WeatherNext 3 走到了极端：它直接把传统的物理模拟给“扔”了，完全通过学习实时卫星数据来推演天气走势。这种做法本质上是把天气预报从一个物理方程求解问题，变成了一个大规模的时空模式识别问题。

最让我关注的是它的分辨率提升。之前版本在精度上一直是个短板，而 WeatherNext 3 把每小时预报的分辨率直接拉到了 5 公里。5 公里是什么概念？在气象预报里，分辨率每提升一倍，对局部对流、地形影响的捕捉能力就有一个量级的跳跃。比起前代，这次的细节精度提升了 5 倍。这意味着它不再是给出一个模糊的“某个省份有雨”的结论，而是能更精准地定位到具体哪个区域在下雨。

传统的物理模型（比如欧洲中心的 ECMWF）需要跑在超级计算机上，算力消耗极其恐怖，因为要模拟大气层的流体力学、热力学等复杂方程。而 WeatherNext 3 这种纯数据驱动的模型，一旦训练完成，推理速度快得惊人。它不再需要去算空气怎么流动，而是通过卫星图像的演变规律直接“猜”出接下来的状态。

在这种模式下，最受益的其实是那些观测数据匮乏的地区。比如非洲、拉美或者亚太的部分地带，由于缺乏足够的高精度地面气象站，传统的物理模型在这些地方的初始值输入就很差，导致预报结果经常跑偏。而卫星数据是覆盖全球的，WeatherNext 3 直接吃卫星数据，绕过了地面观测站的缺失，这在理论上能显著提升这些地区的预报准确率。

不过，完全抛弃物理模拟也有潜在的风险。物理模型有一个底线，就是它符合能量守恒和质量守恒，不会出现“凭空产生水汽”的情况。而纯数据模型如果训练集覆盖不到某些极端的异常天气（比如百年一遇的特大暴雨），它可能会因为没见过这种模式而给出离谱的预测。

如果想在实际场景中对比这种模型与传统模型的差异，可以重点关注以下几个维度：

• 空间分辨率： WeatherNext 3 达到了 5km 级别，而传统全球模型通常在 10km-25km 左右。
• 更新频率： 纯数据模型支持每小时更新，而物理模型由于计算量太大，更新周期通常在 6-12 小时。
• 计算资源： 物理模型需要数千个 CPU/GPU 节点集群持续运行；数据模型在推理阶段只需要少量算力即可快速出结果。

虽然 Google 没放出具体的代码，但这种趋势很明显：未来的天气预报大概率会走向「物理模型定基调 + AI 模型做精细化修正」的混合模式。完全抛弃物理模拟虽然大胆，但在实时性和覆盖面上确实有巨大的实用价值。