Google DeepMind 又在 AI 科学领域放了个大招。WeatherNext 3 论文正式发布（arXiv:2609.03582），这次的突破点很有意思：不再用分析数据训练模型，而是直接吸收原始卫星观测数据。

先解释一下为什么这很重要。之前所有 AI 天气模型都是在分析数据上训练和初始化的，但分析数据本身就是另一个模型的输出。这意味着预报会继承分析数据携带的所有偏差，而且不能直接使用新的卫星观测，等于一直在用二手信息做预测，准确性天然受限。

WeatherNext 3 直接改了训练数据来源。它吸收低延迟地球静止卫星数据，预报刷新频率从每 6 小时提升到每小时。分辨率达到 0.1 度，每小时步长，已经匹配了最好的基于物理的全球模型，还包括太阳辐射和云量。这个分辨率和刷新频率在 AI 天气模型里已经是顶尖水平了，对短时预报特别有价值，对强对流天气预警也很有帮助。

更关键的是，它学习的目标也在观测空间而非分析空间。卫星衍生降水、热带气旋路径、站点观测都直接预测。因为对稀疏站点数据基于本地地理条件建模，它能给出任意地点和时间的 2 米温度和露点，误差远低于竞争全球模型，尤其是在偏远地区。

结果就是概率中期预报技能达到了新的 SOTA，在多个指标上超越了之前的 AI 天气模型和传统物理模型，尤其是在热带气旋路径预测上表现突出。

做科技媒体观察下来，这篇论文的意义其实超出了天气领域。很多 AI 领域的训练标签本身就是模型输出，继承其偏差是不得不付的代价。WeatherNext 3 证明了把监督信号从模型输出转移到原始观测是可行的，而且效果更好。天气只是第一个可以干净测量这个转变的领域，这个思路完全可以迁移到其他领域，比如气候模拟。

从 GraphCast 到 WeatherNext，DeepMind 在 AI 天气这条路上走得很稳，每次都在解决真正的底层问题。这次直接用原始卫星数据训练，等于把 AI 天气模型从二手信息消费者变成了一手观测处理者，这个范式转变可能会影响整个 AI 科学领域啊朋友们真的

AI正在重塑所有岗位吗 天气 天气预报卫星数据前沿在线