Google DeepMind 在 7 月 31 日发布 WeatherNext 2.0，这是基于 GraphCast 架构的第二代气象大模型。模型在 ECMWF 提供的 1979-2023 年 ERA5 再分析数据集上训练，对 15 天极端天气的预报准确率比 GraphCast 1.0 提升 40%，把 5 天台风路径预测的平均误差从 120 公里压缩到 70 公里。模型权重、推理代码、训练数据接口全部以 Apache 2.0 协议公开。
架构层面，WeatherNext 2.0 沿用 GraphCast 的图神经网络主干，但把节点数量从 1.04 亿提升到 1.87 亿，边的连接密度增加 2.3 倍。模型在编码器引入四维时空位置编码，能区分同一经纬度在不同高度的物理过程；解码器加入海陆边界感知的 attention 偏置，让气团在跨海岸时的衰减预测更准。多任务训练头同时输出温度、降水、风速、气压、地表辐射五个物理量，端到端推理只需一台 TPU v5p pod 跑 8 秒，单步推理成本不到 0.3 美元。
对比实验上，WeatherNext 2.0 在 24 小时、5 天、10 天、15 天四个时间尺度的 RMSE 上都优于 ECMWF 的 IFS-HRES 业务系统。极端天气专项测试中，对 2024 年飓风海伦、2025 年台风卡努的路径预测误差分别降低 38% 和 42%。这意味着气象部门可以把 72 小时台风预警的疏散决策提前到 96 小时，对沿海城市的应急预案价值巨大。
应用层面，DeepMind 与美国国家气象局、欧洲中期天气预报中心、印度气象局达成合作，免费输出 0.25 度分辨率的全球预报场，每 6 小时更新一次。农业、能源、保险三个行业最先受益。农业领域，先正达、拜耳作物科学的精准农业平台接入 WeatherNext 2.0 的 7 天降水预报，对灌溉、施肥、收割窗口的预测准确率显著提升；能源领域，丹麦 Ørsted 把模型用于海上风电场的短期出力预测，单场年发电量提升 3.2%；保险领域，慕尼黑再保险的巨灾模型把台风损失预估的置信区间收窄 27%。
WeatherNext 2.0 的开源策略同样重要。模型权重、推理代码、训练数据接口全部在 GitHub 和 Hugging Face 上以 Apache 2.0 协议公开。国内方面，华为盘古气象大模型、阿里通义气象、清华 NowcastNet 都在做类似工作。华为盘古气象在台风路径预测上与 WeatherNext 2.0 误差水平相当，但在高原区域短临降水预报上仍有差距。气象大模型的国际竞速从单纯的论文发表进入业务化交付阶段。
气候适应层面，WeatherNext 2.0 的高分辨率输出对全球变暖背景下的极端天气研究有直接价值。联合国气候变化框架公约（UNFCCC）已经把 WeatherNext 2.0 接入全球气候适应基金的项目评估工具，用于评估 2027-2030 年发展中国家的极端天气防御预算。红十字会与红新月会国际联合会（IFRC）在 7 月 30 日宣布，将基于 WeatherNext 2.0 的预报数据，重新设计亚太和非洲 38 个国家的早期预警系统部署优先级。
计算资源层面，DeepMind 在 TPU v5p Pod 上完成 WeatherNext 2.0 的全局推理，每次全球预报耗时约 4 分钟，刷新频率每小时一次。相比之下，ECMWF 的传统数值模式在同规模 HPC 集群上需要 45-60 分钟才能完成同级别计算。这个效率优势让实时临近预测成为可能——在台风登陆前的最后一小时，仍然可以给出新的预报场更新。