谷歌DeepMind推出的WeatherNext 3被定位为该团队迄今最先进的全球气象人工智能模型，也是首个能够在一天中每个小时都生成预报的全球模型。数十年来，天气预报依赖数值预测与物理近似，这类模型是科学与工程的胜利，但同时复杂且运行成本高昂。WeatherNext 3是一个集合预报模型，直接利用卫星数据来提供更高分辨率、准确度显著更高的预报。它的产出并未停留在研究层面，而是被接入Search、Maps和Gemini等谷歌产品，同时面向企业开放，可通过BigQuery、Earth Engine、Google Maps Platform以及Google Cloud Storage获取高分辨率预报，包括实时业务数据与历史预报。
逐小时的关键在于绕过预处理
与以往模型不同，WeatherNext 3直接从原始卫星影像中取用数据，这是它能够按小时生成预报的前提。传统流程需要先把观测资料同化进结构化的初始场，这一步本身就构成时间成本与信息损耗；直接消化原始影像让模型得以贴近观测的更新频率，从而帮助用户追踪降雨与降雪这类变化迅速的天气条件。对于依赖短时窗口做决策的场景，例如户外作业调度或城市排水响应，预报刷新频率的提升往往比单次预报的绝对精度更具实用价值。
分辨率下沉到公里级
WeatherNext 3能够预测所有地面变量，其中面向气象站的目标温度与湿度达到5公里分辨率，风等其他地面变量为10公里分辨率。官方特别提到，即便在模型训练中未曾遇到的地点，其预报准确度也有显著提升，这项泛化能力对观测站点稀疏的区域尤为重要，因为传统统计降尺度方法在这些地区往往缺乏可用的历史序列作为支撑。分辨率下沉到公里级之后，预报结果开始能够区分同一城市不同城区之间的差异，而这正是数值模式因算力约束长期难以覆盖的尺度。
面向能源行业的变量设计
模型的变量选择明显考虑了产业应用。WeatherNext 3覆盖可再生能源相关的预报变量，为风电场与光伏电站提供辐射量与云量等数据，帮助运营方更高效地进行调度管理。这类需求在电网中的分量正在快速上升：随着风光装机占比提高，出力预测误差直接转化为备用容量成本与调频压力，小时级、公里级的辐射与风速预报因此具备可直接计价的经济含义。官方还援引了一个实际案例，称WeatherNext曾帮助美国国家飓风中心更好地预测飓风Melissa在牙买加的历史性登陆过程。
把气象AI模型接进Search、Maps与Gemini，意味着它服务的不再是气象专业用户，而是每天依赖这些产品的数十亿人。天气每天影响着数十亿个决策，有些简单到是否带伞，有些则塑造整个经济体的运行，而随着极端天气增多，判断失误的代价也在上升。DeepMind同时提供名为Weather Lab的交互平台，供外界探索与测试其最新模型。对企业客户而言，无需自行搭建模型即可获取高分辨率预报这一点，实质上把过去只有国家级气象机构才具备的预报能力变成了一项云服务；而对整个行业来说，AI模型从辅助研究工具走向业务系统主力，其可靠性验证与失效模式披露也将随之成为更受关注的议题。