物界前沿DeepMind 这个天气预报模型，我拿去年台风数据跑了一遍
昨天刷到DeepMind发Nature论文，说他们的WeatherNext模型把飓风预报提前量做到了一天以上。我第一反应是：又来了，论文里吹得天花乱坠，实际跑起来估计一堆坑。
不过我确实好奇，因为上周我刚用传统数值预报模型（就是靠超级计算机跑物理方程那套）做过一次台风路径预测，折腾了我整整两天。于是决定把WeatherNext的公开代码拉下来，拿去年太平洋那几个台风实测一下。
先说准备阶段。我这边环境是Python 3.10加PyTorch 2.1，显卡是一张RTX 4090，24G显存。模型权重大概6个G，下载倒是很快。但依赖安装有点头疼，它要求einops、xarray、dask这些库的特定版本，我一开始直接用pip装最新版，结果跑起来报错，说维度对不上。后来老老实实按requirements.txt装的，花了一个多小时。
然后是数据准备。WeatherNext用的是ERA5再分析数据（就是把历史观测和数值模式融合出来的高质量气象数据集），我需要把它转成模型要求的格式。这里有个坑，数据要按经纬度网格重采样，我一开始没注意分辨率，直接用了原始数据，结果模型跑出来的台风路径偏了大概两百公里。后来发现需要先插值到0.25度网格，重新处理了一遍才算正常。
上手第一跑，我选了去年9月那个超强台风，从生成到登陆一共9天。传统模型通常提前5天能比较准地预测登陆点，提前7天误差就很大了。WeatherNext跑完，我看了下输出，提前7天的路径预测跟我后来查到的实际路径，误差大概在80公里以内。这个数字比我预想的好不少。
不过真正让我意外的不是路径，是强度预测。传统模型对台风强度的预测一直是个老大难，经常严重高估或低估。WeatherNext给出的最大风速变化曲线，跟实际观测值的趋势基本吻合，尤其是快速增强阶段，时间点抓得挺准。我拿它跟欧洲中心的高分辨率预报做了对比，至少在这个案例上，AI模型确实不输。
但踩坑也不少。模型推理时间虽然只要几十秒，但前期数据处理和格式转换花的时间一点不比传统方法少。它需要未来几天的边界条件，说白了就是还得靠传统模型给它提供"背景场"，不是完全独立的。模型对极端情况的泛化能力我心里没底，毕竟训练数据里像这种超强台风样本不多。
DeepMind在博客里说，WeatherNext让预报员"多赢得了一天"的预警时间。我跑完这个案例，觉得这个说法不算夸张，但前提是你得把数据管道搭对了。
我还拿它跑了两个普通的热带风暴，没有快速增强那种戏剧性，但路径预测也都在合理范围内。对比下来，我倾向于认为这个模型在常规情况下的表现相当稳定，颠覆性主要在强度预测上。
结论分人。
如果你是做研究的，或者想在企业里做气象相关的AI应用，这个模型值得花时间跑一遍，代码和权重都开源了，文档也算清晰，比我预想的容易上手。但如果你是想把它直接接到业务系统里做台风预警，我建议谨慎，因为数据预处理和边界条件这块的工程复杂度，可能比模型本身还高。而且它的可解释性目前还是黑盒，你要跟客户解释"为什么这么预测"，会很被动。
我拿到的结论是：AI预报的未来不在路径，在强度。但落到工程上，数据管道才是真正的门槛。
对我个人来说，这个模型让我重新理解了端到端学习在物理模拟里的边界。之前我总觉得AI替代物理模型是吹牛，现在看法变了，至少在这个细分领域，AI已经能跟传统方法掰手腕了。后面面试如果被问到"AI在科学计算里的落地"，这应该是个不错的切入点。
本文编译自 ArsTechnica，原文：https://arstechnica.com/science/2026/08/deepminds-hurricane-model-bought-forecasters-an-extra-day/
版权归原作者所有，本文为基于公开报道的编译与独立分析。
