谷歌最新的 AI 天氣模型讓你沒有理由忘記帶傘
Google DeepMind 與 Google Research 推出了一款全新的 AI 驅動天氣預報模型,該模型能提供更清晰的大氣變化洞察,以及更頻繁、可靠的預測結果。
WeatherNext 3 代表了氣象學領域的重大飛躍,由深度學習驅動。Google 計劃將該模型整合到 Search、Google Maps 和 Gemini 中,並透過其雲平臺向研究人員和使用者開放。
“這標誌著核心變數首次直接為 Google 的一系列產品提供支援,”Google 高階員工工程師 Samier Merchant 在接受 TechCrunch 採訪時說。
在由初創公司 Brightband 建立的用於比較 AI 預測的基準測試 Operational WeatherBench 上進行的測試顯示,WeatherNext 3 在溫度、風速和溼度等關鍵指標上展現了卓越的準確性。
它優於 Google、Microsoft、Nvidia 以及歐洲中期天氣預報中心(ECMWF)的其他深度學習模型,也優於美國國家氣象局和 ECMWF 的傳統預測。
Image Credits:Brightband / Brightband
傳統天氣預報依賴於政府超級計算機求解複雜的物理方程。雖然準確,但這些系統成本高昂且速度緩慢。自 2018 年 ECMWF 釋出數十年曆史資料以來,研究人員利用深度學習建立了速度更快且準確性相當的模式。
“天氣是混沌的;微小的差異可能導致巨大的擾動,”DeepMind 的員工研究科學家經理 Ferran Alet 解釋道。“機器學習解決了核心挑戰:使用不完整的資訊和有限的計算資源來近似嘈雜的物理現象,從而能夠從海量資料集中學習模式。”
之前的 AI 預測模型面臨幾個關鍵限制:它們覆蓋的區域較廣(15–25 平方公里),實際用途有限,難以預測降雨,且依賴於經過預處理的政府資料。
WeatherNext 3 解決了這些問題。它提供了 5 公里的解析度,與 WeatherNext 2 相比,降雨預測準確率提高了 60%,並且生成的是每小時預測,而不是標準的六小時間隔。
Image Credits:Google / Google
這些改進源於特定的設計選擇。WeatherNext 3 的引數數量是前代的 2.4 倍,解碼器頭經過定製,以提供更可操作的洞察。與在 3D 網格上平均資料的標準預測不同,DeepMind 的模型可以視覺化特定事件,如氣旋路徑。
此外,該模型經過訓練以預測特定氣象站的資料。這提高了預測的粒度,並允許與地面真實資料進行評估對比。
“許多 AI 應用的目標是端到端地執行任務,”Brightband 的大氣科學家 Daniel Rothenberg 說。“透過預測特定站點的資料,例如丹佛機場的每小時天氣狀況,我們將預測與實際效用更緊密地聯絡起來。”
該模型頻率的增加得益於每小時攝入實時衛星資料。使用原始經驗觀測值而非超級計算機生成的分析提高了準確性,儘管處理未格式化資料在技術上仍然具有挑戰性。
Google 聲稱 WeatherNext 3 是首個將原始觀測值納入高解析度全球預測的 AI 模型。然而,AI 初創公司 WindBorne 表示,其 WeatherMesh 6 模型自 2025 年底以來一直使用來自氣象氣球的原始資料。Google 指出,其預測提供了更高的全球解析度。兩個模型仍然依賴國家資料集,表明真正的直接資料同化仍需進一步工作。
雖然大型語言模型佔據頭條新聞,但氣象學領域的 Transformer 革命同樣具有變革性。歐洲和美國的天氣機構已經在預測中使用 AI,提供了速度和成本優勢,這可能使準確的預測對較貧困的地區變得可用。
比爾·蓋茨最近強調了 AI 天氣預報作為關鍵益處,指出其有潛力提高發展中國家的農作物產量。Ferran Alet 補充說,更高解析度的風、雨和雲層覆蓋預測將有助於使可再生能源專案更加可靠。
“最終,Google 旨在為使用者提供有用的資訊,而天氣是其中不可或缺的一部分,”Alet 總結道。
相關文章
Ollmo v0.1.0 正式釋出,成為生產級 RAG 和 Agent 視覺化平臺
Ollmo,一個用於私有部署和團隊協作的生產級 RAG 與 Agent 視覺化平臺,已正式釋出 0.1.0 版本。該平臺旨在幫助使用者透過上傳文件並提問,快速獲取帶有精確來源的答案,並開箱即用地輕鬆搭建私有知識庫問答系統。在核心技術與架構方面,Ollmo 採用前後端分離設計。後端基於 Go 和 Fiber 構建,前端則依賴 Next.js App Router 和 shadcn-ui。平臺全面支援 Docker 一鍵部署,並提供私有部署與 SaaS 兩種服務模式。其內建的混合搜尋引擎整合了 Mi
行業巨頭拒絕利用AI帶來的好處:王寧表示不要讓演算法破壞情感價值
在人工智慧驅動的文創玩具投資飆升80倍的時代,行業領軍者泡泡瑪特卻採取了出人意料的剋制態度。創始人王寧已明確確認,公司旗下的核心IP(如Labubu和Molly)目前均不會引入AI互動功能。在當前技術熱潮的背景下,這一戰略暫停顯得尤為突出。核心理念:維繫情感連線泡泡瑪特認為,文創玩具的本質在於其“情感經濟”。據王寧所述,這些物品不僅僅是物件,更是粉絲情感寄託與收藏價值的融合。他警告稱,將AI對話或演算法互動強行植入這些靜態藝術形象,可能會稀釋IP原有的神秘感與純粹性,最終損害其核心價值。戰略
國內具身大模型 Wall-OSS-0.5 開源引發轟動:預訓練後實現零樣本部署
2026年5月,中國具身智慧領域取得重大里程碑,X Square Robot 開源了其最新的視覺-語言-動作(VLA)模型 Wall-OSS-0.5。該模型打破了行業預先微調的常規,無需針對特定任務進行調整,即可在實體機器人上實現零樣本部署。從定製指令碼轉向通用智慧具身智慧領域長期面臨一個隱蔽的侷限:大多數模型在評估前都需要針對特定任務進行大量微調,這使得區分真正的泛化能力與單純的指令碼行為變得困難。X Square Robot 透過 Wall-OSS-0.5 解決了這一問題。該模型在超過20種機器
相關專題推薦
評論 (0)
0/500
Google DeepMind 與 Google Research 推出了一款全新的 AI 驅動天氣預報模型,該模型能提供更清晰的大氣變化洞察,以及更頻繁、可靠的預測結果。
WeatherNext 3 代表了氣象學領域的重大飛躍,由深度學習驅動。Google 計劃將該模型整合到 Search、Google Maps 和 Gemini 中,並透過其雲平臺向研究人員和使用者開放。
“這標誌著核心變數首次直接為 Google 的一系列產品提供支援,”Google 高階員工工程師 Samier Merchant 在接受 TechCrunch 採訪時說。
在由初創公司 Brightband 建立的用於比較 AI 預測的基準測試 Operational WeatherBench 上進行的測試顯示,WeatherNext 3 在溫度、風速和溼度等關鍵指標上展現了卓越的準確性。
它優於 Google、Microsoft、Nvidia 以及歐洲中期天氣預報中心(ECMWF)的其他深度學習模型,也優於美國國家氣象局和 ECMWF 的傳統預測。
Image Credits:Brightband / Brightband
傳統天氣預報依賴於政府超級計算機求解複雜的物理方程。雖然準確,但這些系統成本高昂且速度緩慢。自 2018 年 ECMWF 釋出數十年曆史資料以來,研究人員利用深度學習建立了速度更快且準確性相當的模式。
“天氣是混沌的;微小的差異可能導致巨大的擾動,”DeepMind 的員工研究科學家經理 Ferran Alet 解釋道。“機器學習解決了核心挑戰:使用不完整的資訊和有限的計算資源來近似嘈雜的物理現象,從而能夠從海量資料集中學習模式。”
之前的 AI 預測模型面臨幾個關鍵限制:它們覆蓋的區域較廣(15–25 平方公里),實際用途有限,難以預測降雨,且依賴於經過預處理的政府資料。
WeatherNext 3 解決了這些問題。它提供了 5 公里的解析度,與 WeatherNext 2 相比,降雨預測準確率提高了 60%,並且生成的是每小時預測,而不是標準的六小時間隔。
Image Credits:Google / Google
這些改進源於特定的設計選擇。WeatherNext 3 的引數數量是前代的 2.4 倍,解碼器頭經過定製,以提供更可操作的洞察。與在 3D 網格上平均資料的標準預測不同,DeepMind 的模型可以視覺化特定事件,如氣旋路徑。
此外,該模型經過訓練以預測特定氣象站的資料。這提高了預測的粒度,並允許與地面真實資料進行評估對比。
“許多 AI 應用的目標是端到端地執行任務,”Brightband 的大氣科學家 Daniel Rothenberg 說。“透過預測特定站點的資料,例如丹佛機場的每小時天氣狀況,我們將預測與實際效用更緊密地聯絡起來。”
該模型頻率的增加得益於每小時攝入實時衛星資料。使用原始經驗觀測值而非超級計算機生成的分析提高了準確性,儘管處理未格式化資料在技術上仍然具有挑戰性。
Google 聲稱 WeatherNext 3 是首個將原始觀測值納入高解析度全球預測的 AI 模型。然而,AI 初創公司 WindBorne 表示,其 WeatherMesh 6 模型自 2025 年底以來一直使用來自氣象氣球的原始資料。Google 指出,其預測提供了更高的全球解析度。兩個模型仍然依賴國家資料集,表明真正的直接資料同化仍需進一步工作。
雖然大型語言模型佔據頭條新聞,但氣象學領域的 Transformer 革命同樣具有變革性。歐洲和美國的天氣機構已經在預測中使用 AI,提供了速度和成本優勢,這可能使準確的預測對較貧困的地區變得可用。
比爾·蓋茨最近強調了 AI 天氣預報作為關鍵益處,指出其有潛力提高發展中國家的農作物產量。Ferran Alet 補充說,更高解析度的風、雨和雲層覆蓋預測將有助於使可再生能源專案更加可靠。
“最終,Google 旨在為使用者提供有用的資訊,而天氣是其中不可或缺的一部分,”Alet 總結道。
Ollmo v0.1.0 正式釋出,成為生產級 RAG 和 Agent 視覺化平臺
Ollmo,一個用於私有部署和團隊協作的生產級 RAG 與 Agent 視覺化平臺,已正式釋出 0.1.0 版本。該平臺旨在幫助使用者透過上傳文件並提問,快速獲取帶有精確來源的答案,並開箱即用地輕鬆搭建私有知識庫問答系統。在核心技術與架構方面,Ollmo 採用前後端分離設計。後端基於 Go 和 Fiber 構建,前端則依賴 Next.js App Router 和 shadcn-ui。平臺全面支援 Docker 一鍵部署,並提供私有部署與 SaaS 兩種服務模式。其內建的混合搜尋引擎整合了 Mi
行業巨頭拒絕利用AI帶來的好處:王寧表示不要讓演算法破壞情感價值
在人工智慧驅動的文創玩具投資飆升80倍的時代,行業領軍者泡泡瑪特卻採取了出人意料的剋制態度。創始人王寧已明確確認,公司旗下的核心IP(如Labubu和Molly)目前均不會引入AI互動功能。在當前技術熱潮的背景下,這一戰略暫停顯得尤為突出。核心理念:維繫情感連線泡泡瑪特認為,文創玩具的本質在於其“情感經濟”。據王寧所述,這些物品不僅僅是物件,更是粉絲情感寄託與收藏價值的融合。他警告稱,將AI對話或演算法互動強行植入這些靜態藝術形象,可能會稀釋IP原有的神秘感與純粹性,最終損害其核心價值。戰略
國內具身大模型 Wall-OSS-0.5 開源引發轟動:預訓練後實現零樣本部署
2026年5月,中國具身智慧領域取得重大里程碑,X Square Robot 開源了其最新的視覺-語言-動作(VLA)模型 Wall-OSS-0.5。該模型打破了行業預先微調的常規,無需針對特定任務進行調整,即可在實體機器人上實現零樣本部署。從定製指令碼轉向通用智慧具身智慧領域長期面臨一個隱蔽的侷限:大多數模型在評估前都需要針對特定任務進行大量微調,這使得區分真正的泛化能力與單純的指令碼行為變得困難。X Square Robot 透過 Wall-OSS-0.5 解決了這一問題。該模型在超過20種機器





首頁






