谷歌新模型用粗分辨率数据提升台风强度预报能力
谷歌推新模型，专攻台风预报难题
过去几年，AI 在天气预报领域快速崛起，尤其在速度和整体大气状态预测上，已经能和传统的数值天气预报（NWP）系统一较高下。但面对台风这类极端天气，AI 一直有个短板：路径能算得不错，强度却总是偏弱。
最近，谷歌联合多家气象机构发布了一个专门针对热带气旋的新模型——WeatherNext Cyclones（简称 WN-C）。它不光能预测台风往哪走，还能更准地判断它有多强、范围多大，而且用的数据分辨率其实比很多现有模型还粗。这项研究登上了最新一期《Nature》封面，论文标题就叫《Operational tropical cyclone forecasting with AI》。
强度预报的瓶颈怎么破？
以往的全球 AI 天气模型，比如 GenCast，空间分辨率大约是 28 公里（对应 0.25° 网格）。这个精度对大范围天气够用，但用来预测台风强度就吃力了——因为台风的核心结构往往只有几十公里宽，粗网格很难捕捉细节。结果就是，AI 模型普遍低估台风强度，成了公认的短板。
WN-C 的思路很特别：它没去堆高分辨率，而是重新设计了训练和输出方式。研究团队先把稀疏的台风轨迹数据（来自 IBTrACS 数据库）通过一个确定性映射，转成 0.25° 网格上的张量。模型在这个粗网格上学习预测整个气旋场，包括是否存在、位置在哪、风速多大。预测完之后，再用追踪算法把网格结果转回我们熟悉的台风路径表格。
这个设计的关键在于，把“预测”和“追踪”拆开，但又让它们共享同一个内部表征。也就是说，模型不是先猜有没有台风，再单独算强度；而是一次性学出整个气旋的物理状态，保证位置、强度、尺度这些属性内在一致。
结果令人意外：尽管输入分辨率比区域专用模型（如 HAFS）粗好几个数量级，WN-C 的强度预报反而更准。这说明，大尺度的大气环境里其实藏着比我们想象中更多的强度信号——不一定非得靠超高分辨率才能挖出来。
实际表现：路径更强，强度反超
研究团队拿 WN-C 和两个标杆系统做了对比：一个是欧洲中期天气预报中心的 ENS（目前业务化最强的集合预报系统），另一个是谷歌自家的全球 AI 模型 GenCast。
在路径预测上，WN-C 比 ENS 提前超过一天达到相同的误差水平。这意味着，在台风登陆前 5 天的预报，可能已经接近传统模型提前 4 天的精度，对防灾准备来说非常关键。
更让人意外的是强度。过去全球 AI 模型在这方面一直干不过像 HAFS 这类专门为飓风设计的区域模型。但 WN-C 不仅追平，甚至在某些指标上反超。要知道，HAFS 用的是几公里级别的精细网格，而 WN-C 还停留在 28 公里左右。这种“以粗胜细”的结果，直接挑战了行业对分辨率必要性的认知。
集合预报与实际价值
WN-C 不只给一个确定答案，而是生成一组可能的情景（集合预报）。这些情景能反映不同情境下的不确定性，比如某个台风可能走 A 路线也可能偏到 B 路线，概率各多少。这种信息对应急决策特别有用——不是简单说“会来”，而是说“70% 可能正面袭击，30% 可能擦边”。
研究还测试了模型的经济价值。他们用“相对经济价值”（REV）指标，衡量预报在不同成本/损失比下的实用性。结果显示，在 2023–2024 年全球台风季中，WN-C 的 REV 明显高于基线。而且，当集合成员从 50 个增加到 1000 个时，REV 在 7 天以上的长时效预报中提升显著。这说明，对于远期风险评估，更大的集合规模确实能带来更可靠的概率估计。
已投入业务运行
这个模型不只是实验室成果。从 2025 年 6 月起，WN-C 已经开始实时运行。它的预报产品被美国国家飓风中心（NHC）以及其他世界气象组织指定的热带气旋预报中心正式采用，用于日常业务参考。
这意味着，未来我们在新闻里看到的台风路径图或强度预测，背后可能就有 WN-C 的贡献。它没有靠堆硬件或提高分辨率取胜，而是通过更聪明的数据处理和模型架构，从现有粗粒度数据中榨出了更多有效信息。
重新理解“分辨率”的意义
WN-C 的成功带来一个值得深思的问题：我们是不是太迷信高分辨率了？在计算资源有限的情况下，一味追求更细的网格未必是最优解。有时候，改进数据表示方式、优化模型如何理解物理过程，反而能带来更大突破。
当然，这不等于说高分辨率没用。对于台风眼墙结构、对流爆发等小尺度过程，精细网格依然不可替代。但 WN-C 证明，在全球尺度上做早期预警和趋势判断时，大尺度环境场提供的线索可能比预想的更丰富。
这也为未来 AI 气象模型指了条新路：不必死磕算力，而是更深入地挖掘已有数据中的物理关联。毕竟，天气系统是个整体，台风不是孤立存在的怪物，它的强度变化和周围上千公里的大气环流息息相关。也许，真正需要提升的不是“看得多细”，而是“想得多透”。