数据粗糙100倍反而预测更准？Deepmind新模型让开发者都困惑

2025年，飓风梅丽莎逼近牙买加。美国国家飓风中心（NHC）的预报员们盯着屏幕，要判断一场风暴会不会在24小时内风速猛增至少30节——也就是约34英里/小时。这种"快速增强"是气旋预报里最容易被低估的环节之一，一旦判错，沿海疏散窗口就没了。

这一次，给预报员提供关键参考的，是一个数据网格粗糙得"离谱"的AI模型。每个网格点覆盖约28公里，比专业区域模型的分辨率粗糙了大约一百倍。结果呢？它预测的路径和强度，双双压过那些靠高分辨率吃饭的老牌模型。更让开发者尴尬的是，这模型到底怎么做到的，连他们自己也没完全搞明白。

这就是Google Deepmind推出的WeatherNext Cyclones（简称WN-C）。它一篇发表在《自然》杂志上的论文显示，这个AI系统在热带气旋预测上，比领先的业务化模型看得大约远一天。别小看这一天——传统天气模型攒出同样的进步，花了差不多十年。

这套系统不是Deepmind闭门造车做出来的。论文信息显示，它由Google Deepmind联合美国国家飓风中心、大气研究合作研究所和英国气象局共同构建。自2025年6月起，WN-C的预报已经在Google的Weather Lab平台上实时运行。

要理解WN-C为什么值得关注，得先说清楚气象界一个积压多年的老矛盾。

热带气旋预报长期存在一个"路线之争"。全球模型，比如欧洲中期天气预报中心（ECMWF）的集合预报系统（ENS），路径预测很稳，但分辨率太粗，强度估不准。区域性专业模型，比如美国国家海洋和大气管理局（NOAA）的飓风分析与预报系统（HAFS），强度读数更精细，但路径上又容易跑偏。

过去几十年，预报员只能在这两种模型之间来回切换、手动权衡。WN-C讨巧的地方在于：路径和强度，它一个系统全包了。

数字最能说明问题。五天预报的场景下，WN-C预测的风暴中心位置平均偏差为230公里。同一个指标，ENS的偏差是370公里，Deepmind上一代模型GenCast是335公里。也就是说，仅路径一项，WN-C就把两个对比对象甩开了100公里以上。

强度预测上领先得更直白。三天强度预报，WN-C比HAFS还要准3.75节（约4.3英里/小时）。在多组提前期的概率性风暴强度预测中，WN-C的得分是ENS和GenCast的两倍还多。所谓概率性预测，就是要回答"这场风暴有百分之多少的概率达到飓风强度"这类问题。在64节风速概率这个临界点上——风速达到这个值就意味着飓风级别——Deepmind称，WN-C为决策提供的实用价值高于ENS。

如果把WN-C看作一个运动员，那它颠覆的是一套流传多年的训练逻辑。

气象界默认的潜规则是：要想把强度预测清楚，就得把分辨率堆上去。区域专业模型把网格压缩到几百米甚至更细，就是为了捕捉风暴内部的精细结构。WN-C倒好，每个网格点覆盖约28公里——一百倍的粗糙程度，按老思路这根本不够看。

但更打脸的是，Deepmind还搞了个"缩水版"：网格间距放宽到111公里的紧凑变体，生成的预测结果依然有竞争力。这意味着，高分辨率不是强度预测的必要条件，至少对WN-C这套方法来说不是。

论文作者写得很直白："高分辨率并非最先进强度预测的严格先决条件。"粗分辨率的数据里，显然藏着比所有人预想更多的风暴强度信息。

只是没人知道它是怎么做到的。

WN-C采用的基础架构叫做Functional Generative Networks（FGN，功能生成网络）。但架构披露不等于机制透明。Deepmind的研究人员在论文中承认，这些模型在如此粗糙的分辨率下如何生成如此精准的预报，"仍是一个开放的研究问题（remains an open research question）"。连开发者自己也不清楚，这背后究竟发生了什么。

一个能预测飓风路径和强度的AI，结果自家模型的"黑盒"程度连开发者都挠头。在讲究可解释性的气象预报领域，这注定会引发争论。

回到梅丽莎飓风的案例。据Deepmind称，在2025年梅丽莎登陆牙买加期间，WN-C帮助美国国家飓风中心及时预测到了风暴的快速增强。快速增强的定义是：24小时之内风速至少增加30节（约34英里/小时）——这是飓风预报里最容易出人命的变化之一，也是老模型频繁失手的场景。梅丽莎的实际登陆过程，给WN-C的实战能力做了一次公开路演。

但一份实战案例加一篇《自然》论文，并不等于WN-C马上就能进业务系统。

第一个问题就是那个"开放研究问题"：如果没人能解释模型为什么这么准，那遇到训练分布之外的极端天气，它会不会突然掉链子？气象预报不是推荐系统，错了可以下次再推。一次误判，可能就是整座城市的撤离决策。

第二个问题是数据和算力依赖。粗分辨率本身是优势，但训练出一个这样的模型需要多少算力、多少历史气象数据，Deepmind在公开材料里没有展开。其他机构要复现这套方法，门槛并不低。

第三个问题更现实：业务化模型的替换周期极长，预报机构对任何新系统的要求都是"可解释、可追溯、可复盘"。WN-C的黑盒属性，恰好卡在这一环上。

不过有一点是可以肯定的：气象界多年默认的"分辨率越高越好"法则，被WN-C撕开了一道口子。

如果粗数据真的够用，那接下来被颠覆的可能不止是气旋预报。热带气旋只是天气系统的一小块拼图，同类方法能不能套用到暴雨、热浪、寒潮预报上？这些都是开放问题。至于结论，恐怕得等开发者们先搞清楚自家模型再说。

一个数据粗一百倍、反而比精模型更准的AI，连创造它的工程师都没全看懂——这句话放在两年前，大概没人信。