9月3日，Google DeepMind与谷歌研究院联合发布第三代全球天气AI预报模型WeatherNext 3，官方称其为迄今最先进、最准确的全球天气AI模型。与上一代WeatherNext 2相比，新模型的提升是全方位的：关键地表变量最高以5公里分辨率呈现，每小时刷新一次全球预报，整体清晰度约为上一代的五倍；更重要的是，它直接吞入实时地球静止卫星影像，把预报初始化对数值天气产品分析场的依赖大幅降低，让"追着天气跑"成为可能。发布当天，模型便已接入谷歌搜索、Gemini应用与谷歌地图，数亿用户将首先感知到这场AI气象升级。
WeatherNext 3最大的架构变化不在分辨率，而在训练与初始化的数据来源。包括WeatherNext 2在内的绝大多数AI天气模型，都基于数值天气预报系统的再分析场训练，而这类数据存在约五小时的汇编延迟且每六小时才刷新一次，模型因此继承了慢半拍的偏见，对降水、地表温度这类快速变化变量尤为不利。WeatherNext 3反其道而行，把实时全球静止卫星马赛克作为直接输入，11个通道、0.1度分辨率、约一小时运行延迟，再叠加历史再分析数据，让模型始终基于最新观测做出判断。
数据链路的改变直接体现在预报时效上。官方称，模型的初始化延迟从约7小时压缩到3至4小时，每天可完成24次全球初始化；其中00时、06时、12时、18时四个主周期可预报最长15天并配64个集合成员，其余逐小时运行覆盖未来48小时。架构层面，模型延续了WeatherNext 2的功能生成网络网格Transformer家族，但规模明显扩张，潜变量维度从768增至1024，网格层数从24层加深至32层，生产版本训练数据截至2026年6月30日。对快速发展的对流性天气而言，基于最新卫星观测的逐小时刷新，意味着雷暴、强降水的临近预报第一次拥有了足够新鲜的初始场。
空间分辨率方面，WeatherNext 3采用多级输出：温度与湿度等关键地表变量在约5公里网格上输出，其他地表变量如风、气压、云量与太阳辐射在10公里网格，大气变量则沿用25公里网格覆盖13个气压层。作为对比，WeatherNext 2只在25公里网格上每六小时输出一次，官方因此宣称新模型带来"全球五倍清晰度提升"。对沿海、山谷与山地这类地形急剧变化的区域，5公里级网格第一次能把局地气候差异装进预报画面。
降水是衡量天气模型的试金石。WeatherNext 3融合ECMWF再分析、NASA卫星反演与谷歌自研卫星雷达降水再分析三路数据训练，官方数据显示，在短临预报中其降水评分最高改善60%，相对雷达拼图改善30%，相对雨量计改善10%。站点级输出同样亮眼，模型直接训练于METAR机场站、区域地面站与船舶浮标观测数据，2米温度评分相对WeatherNext 2改善最多30%，相对ECMWF集合预报系统改善约40%。独立验证也给出背书：天气预报创业公司Brightband的实时运营基准把WeatherNext 3评为追踪系统中最准确的一个，超过微软、英伟达的深度学习模型以及美国国家气象局与欧洲中期天气预报中心的物理模型；官方在7月至8月的准实时评估中，也测得模型对ECMWF新一代AI集合预报系统实现约10%的平均优势。
WeatherNext 3的产品化意图十分明确。模型专门增加了面向电力系统的输出：100米高度的风机轮毂风速、完整的低中高云分布与太阳辐照度两个分量，这组数据恰好是电网运营商预测风电与光伏出力所需的全部输入。过去，调度员做风电光伏出力决策时，能拿到的最好AI答案往往已经过时数小时，而逐小时刷新的WeatherNext 3把预报窗口推进到未来一至两小时，直接对应储能充放电与平衡成本决策的精度需求。谷歌还强调，模型扩展了拉美、非洲与亚太部分历史上预报基础设施薄弱地区的高分辨率覆盖，用卫星直训绕开地面站不足的短板。
从更宏观的视角看，WeatherNext 3的发布标志着AI天气模型进入"产品化竞赛"的新阶段。谷歌的GraphCast在2022年证明了AI预报可以媲美甚至超越传统数值预报且快出几个数量级，此后微软、英伟达与一众创业公司竞相追赶；如今WeatherNext 3把研究成果折叠进搜索、地图与Gemini等大众产品，并开放Maps Weather API、Earth Engine与谷歌云供开发者和研究者调用，意图是把AI气象能力变成其他企业与政府可以搭建的基础设施。当然，模型仍非完美，论文坦承单样本预报存在网格六边形伪影、部分输出头在六小时边界有轻微时间不连续等问题，权重也未开源。但无论从分辨率、时效还是落地广度衡量，WeatherNext 3都已把AI天气预报的标杆抬到了新高度，它能否经受住极端天气季的实战检验，将是下一阶段行业关注的焦点。