过去几年，AI天气预报进展很快。Google DeepMind先后推出GraphCast、GenCast等模型，已经证明AI可以在全球中期天气预报中达到很高水平。但台风一直是一个难题：路径相对容易预测，强度却很难预测。
原因在于，两者依赖的信息尺度不同。台风往哪里走，主要受副热带高压、西风带等大范围大气环流影响，这些系统动辄横跨数百甚至数千公里，全球天气模型比较容易捕捉。但台风会不会突然增强，则与眼墙对流、海气热量交换、垂直风切变等局部过程有关，尺度可能只有几公里。传统全球模型“看得远但不够细”，高分辨率区域模型“看得细但覆盖有限”。
Google最新发布的WeatherNext Cyclones，正试图同时解决这两个问题。它不是单独预测一个台风，而是先预测整个地球未来的温度、气压、湿度和风场，再同时输出台风中心位置、最大风速、最低气压以及不同等级强风圈的大小。换句话说，它是在预测整个天气系统怎样演变，以及台风如何嵌在其中发展。
WeatherNext背后的核心算法叫Functional Generative Network，FGN。它最大的特点，是能够快速生成很多个“可能的未来”。
天气本身是混沌系统。今天非常小的观测误差，几天后就可能导致完全不同的结果。因此专业天气预报通常不会只算一次，而是同时计算几十个未来情景，这叫“集合预报”。
WeatherNext把这种思想直接放进神经网络内部。每次预测时，模型都会输入一个小型随机向量。这个随机变量会轻微改变神经网络内部的计算方式，于是同一个初始天气状态，可以产生稍有不同但仍然合理的未来。它不是给天气图随便加噪声，而是在生成一个个相互自洽的“天气世界”。
WeatherNext还会训练多个独立模型，把“天气本身的不确定性”和“AI模型自己的不确定性”结合起来。这样就能快速生成几十、几百甚至1000个集合成员。
这一点非常重要。传统高分辨率数值天气模型计算量巨大，如果要运行1000次，代价非常高。而AI模型训练完成以后，预测主要变成神经网络计算，非常适合GPU和TPU并行运行。于是，过去只能计算几十种未来，现在可能一次计算1000种未来。
对于台风这种低概率、高损失事件，这种能力尤其有价值。假如某种极端情况发生概率只有1%，50个集合成员里可能一次都碰不到；但1000个成员中，理论上可能出现10次。气象人员因此更容易看到那些“概率不高，但一旦发生后果严重”的情景。
WeatherNext Cyclones另一个关键突破，是直接学习专业台风数据。
过去许多AI全球天气模型先预测气压、风速等天气场，然后再由外部程序寻找低压中心，推算台风强度。但全球模型网格通常有几十公里，而真正决定台风强度的眼墙只有几公里，因此强台风往往会被预测得偏弱。
WeatherNext Cyclones加入了全球热带气旋数据库IBTrACS中的数千个历史台风，让AI在学习全球天气的同时，直接学习台风中心、最大风速、最低气压和风圈范围。
这相当于告诉模型：不要只学“这里的气压是多少”，还要学“在这样的海温、湿度、风切变和大尺度环流条件下，这个台风通常会发展到什么程度”。
这也解释了一个看似反常的结果：WeatherNext的全球网格大约几十公里，并不能真正解析几公里宽的台风眼墙，却仍然能够很好地预测强度。原因在于，台风强度虽然由小尺度过程直接决定，但这些过程受到大尺度环境控制。AI可以从海温、水汽、风切变、气压和环流结构中，学习小尺度过程最终产生的宏观结果。
从这个角度看，WeatherNext提供了一条与传统天气模型不同的发展路线。传统方法往往依靠不断提高分辨率来模拟更多物理细节，而AI则可以通过大量历史数据，直接学习“哪些大尺度条件通常会导致哪些小尺度结果”。
当然，这并不意味着传统数值天气预报会被完全取代。WeatherNext仍然需要卫星、雷达、气象站、飞机和海洋浮标提供观测数据，也仍然依赖数据同化系统先重建出当前全球大气状态。AI主要替代的是之后最耗计算资源的“从现在推演未来”这一步。
因此，未来更可能出现一种混合模式：
观测和数据同化负责看清现在，AI快速生成大量未来，高分辨率物理模型再重点计算最危险的几个场景，最后由专业气象人员综合判断。
如果说GraphCast证明了“AI可以预测天气”，GenCast证明了“AI可以生成很多种未来”，那么WeatherNext Cyclones进一步证明了：AI开始能够同时预测台风往哪里走、会变得多强，以及危险风圈会影响哪里。
真正重要的变化，也许不是天气预报又快了多少，而是预报思路正在从“计算一个最可能的未来”，转向“同时生成大量可能的未来，再计算风险发生的概率”。
对于台风这样的极端天气，这可能比单纯提高几公里的路径精度更有意义。