AI 气象预报接入十亿用户：气象服务产品化时刻
2026 年 9 月 3 日，Google DeepMind 发布新一代全球 AI 气象模型 WeatherNext 3。相比版本号更值得关注的，是它落地的位置：实时卫星数据、逐小时刷新、0.1 度分辨率、精确降水预报，以及面向清洁能源的变量——这些能力被直接集成进搜索、Gemini、地图、Google Maps Platform 与云端服务。换句话说，AI 气象预报第一次真正摸到了十亿级用户的日常入口。
几乎同一时间，中国气象局在 7 月的 WAIC 气象专会上发布了全球首个千亿参数级开源气象大语言模型「风和」，并启动全球开源计划，把完整模型权重放上 GitHub 与 Hugging Face，同步开放 API、云服务与定制化部署方案。从消费者 App 到专业预警平台，气象服务的产品化时刻已经到来。
三条路径：AI 气象正在走进十亿用户
AI 气象预报走向大众，目前呈现出三条清晰的落地方向。
第一条是消费者级入口。Google 把 WeatherNext 3 的能力直接塞进搜索和地图这类高频应用，用户不需要理解模型原理，就能在查路线、看天气时获得更精准的逐时预报。这是典型的「AI 能力隐形化」——产品形态不变，底层引擎被替换。而 DeepMind 在 8 月公布的成果显示，WeatherNext 在热带气旋预报上可以多给出约一天的预警时间，这类能力一旦接入地图与出行场景，价值会被立刻放大。
第二条是开放生态。中国气象局的「风和」走的是「开源模型 + 标准 API + 云端服务」的路线，允许开发者把气象智能嵌入具身智能、App、小程序等各种终端。基于地球系统数据资源基座，它训练了 5000 万 tokens 高质量气象服务语料，能做天气分析研判、风险评估，还能把复杂的预警信息翻译成通俗的自然语言，向公众提供风险提示和避险建议。开放的不只是代码，而是一整套技术交付方案。
第三条是打包式出海。「妈祖」把中国气象智能预警能力打包成一套「别人用得起、用得上的方案」：集成「风清」「风顺」等 AI 预报模型，依托风云气象卫星的全球观测能力，以云端方式提供气象灾害早期预警业务支持。自 2025 年 7 月发布以来，它已在巴基斯坦、埃塞俄比亚、所罗门群岛、约旦等多国落地，云端平台涵盖 30 大类、200 余种气象服务产品，服务正从天气预报向影响预报拓展。
技术底气：从「数小时」到「几分钟」
产品化的底层，是 AI 模型对传统数值预报的成本与速度碾压。传统气象预报依赖物理驱动的数值模式，用超级计算机求解方程，动辄耗时数小时；而 AI 模型通过历史数据学习「当前状态到未来状态」的映射，训练完成后，一台配备高性能 GPU 的电脑就能运行，配套简单培训即可本地化使用。
中国气象科学研究院人工智能气象应用研究所所长王亚强给出了判断：AI 气象预报模型在计算速度上优势明显，善于把握大尺度天气形势，台风路径预报的偏差往往更小。路透社 2026 年 8 月的报道也写道，中国已成为 AI 气象预报能力竞争的领先者。
这种效率优势还在持续扩大。WeatherNext 3 相比前代把预报频率从传统的每 6 小时一次提升到每小时一次，直接消化低延迟的静止轨道卫星数据；Google 官方称其前代模型 WeatherNext 2 的预报生成速度已达到传统方法的 8 倍。在中国，气象局已构建出覆盖分钟级到季节级的全链条 AI 模型「国家队」——短时临近的「风雷」、中短期预报的「风清」、次季节至季节预测的「风顺」、全球预报的「风源」、空间天气的「风宇」，以及面向公众和行业服务的「风和」，物理驱动与数据驱动的「双轮驱动」正在成形。
行业影响：气象从「机构服务」走向「普惠基础设施」
AI 气象预报的产品化，正在改写三个层面的格局。
对全球气象服务的公平性而言，这是难得的普惠窗口。中美欧在算力、数据储备上领先，而多数发展中国家缺少超级计算机、完善的观测网络与专业技术团队，难以独立开展精细化预报。AI 模型把「算力门槛」降到了单台 GPU，再把开源权重与云端方案铺出去，客观上让防灾预警能力第一次可以低成本跨越国界。
对商业市场而言，气象数据正在变成被高频消费的基础资源。Google 明确把 WeatherNext 引入清洁能源变量，瞄准的是风电、光伏等对天气高度敏感的行业；结合交通、能源、电力、健康等场景，预警信息正被进一步转化为可执行的行动方案。气象不再只是天气预报 App 里的一个图标，而会成为供应链调度、能源交易、保险定价的底层输入。
对气象机构自身的定位而言，竞争逻辑也变了。过去比拼的是「谁能算得更准」，如今还要比拼「谁能把预报变成人人可用的产品」。当最先进的 AI 模型开始免费开源、开始嵌入十亿用户的日常应用，气象服务的价值锚点正在从「预测精度」迁移到「可理解、可获取、可行动」。
挑战与前景
当然，产品化不等于完美。AI 模型依赖高质量历史数据，对极端天气的捕捉仍需要物理驱动与数据驱动协同；跨机构、跨地区的预报一致性、模型可解释性，也仍是绕不开的工程问题。王亚强也坦言，中国气象 AI 还将继续推进「双轮驱动」，以更好地提升对极端天气的捕捉能力。
但方向已经清晰：当 AI 气象预报接入十亿用户，气象服务就不再只是气象局的业务，而是一张覆盖能源、交通、防灾与日常生活的智能基础设施网络。这场从实验室到产品化的跨越，可能比任何一次模型参数升级都更深刻地改变我们与天气的关系。