WeatherNext 2：Google DeepMind 开源气象预报模型家族解析

先给判断：这个仓库的价值不在「又一个 AI 模型」，而在于它是 DeepMind 气象预报三代技术路线（图神经网络、扩散模型、FGN）的合集发布口——模型代码、预训练权重、论文、免费数据通道一次性给齐。对多数读者来说，正确的打开方式甚至不是跑模型，而是直接消费它每日更新的预报数据。

google-deepmind/weathernext 约 7,500 stars，主语言 Python（JAX 生态），Apache 2.0（代码）+ CC BY 4.0（其余材料）双许可，2023 年 7 月创建，最近提交 2026-08-11。仓库明确定位为研究代码：不保证 API 稳定，建议锁定具体 release 安装。

模型谱系：三代路线一个仓库

WeatherNext 2（WN2）是当前主力——Google DeepMind 与 Google Research 联合开发的全球中期大气与气旋预报模型。仓库同时收容两代前辈：

三者的分野是理解这个家族的钥匙：GraphCast 回答「最可能发生什么」，GenCast 回答「不确定性如何分布」，WN2 的技术报告标题（Skillful joint probabilistic weather forecasting from marginals）则点明它在边际分布之上直接构造联合概率——这也是它能同时输出大气场与气旋路径的概率预报的原因。 WN2 与气旋专用版共享同一套算法，仅因独立训练而权重不同。

预训练模型矩阵：按年份分档，不是按版本号

仓库提供的权重按「训练数据截止年」分档，这个设计初看容易困惑，实际逻辑很清晰：

• WeatherNext2_<2025：0.25° 分辨率（约 30km），在 ECMWF HRES 上微调、由业务 HRES 初始条件直接初始化，2024 年数据训练——这是业务运行版本，权重为 WeatherNext2_<2025_model{1,2,3,4}.npz。
• WeatherNextCyclones_<2025：2025 年大西洋飓风季实际值班过的版本（对外称 FNV3），复现论文结果用。
• WeatherNextCyclones_<2024 / <2023：分别复现论文在 2024、2023 年的结果。
• Cyclones Mini（1° 分辨率）：轻量版，面向低显存场景（单 TPU/GPU、本地测试），官方明言性能不及大版本。

注意 WN2 与 Cyclones 的差别只有一点：WN2 额外预报 100 米高度风场。

大多数人该走的路：不跑模型，直接拿数据

这是本文最实用的一节。自建运行环境需要 TPU（或 H100 级 GPU）才能跑非 Mini 权重，而官方提供了四条免费数据通道，覆盖从研究到应用的各种需求：

第三条通道对应用开发者尤其友好——一个 HTTP 请求就能拿到模型输出，不必碰任何 ML 基础设施。

真要本地跑：门槛与路径

硬件边界（README 明示）：推荐 TPU；GPU 路线必须切换 attention 实现，非 Mini 模型需要 H100 级显存，Mini 版 P100 即可推理。最快路径是官方 Colab 笔记本（docs/weathernext2/wn2_demo.ipynb），默认跑 Cyclones Mini，Colab 免费 v5e-1 运行时就能开。

本地安装锁定版本：

pip install git+https://github.com/google-deepmind/weathernext.git@v0.3.0

笔记本内完成的是一套完整闭环：加载云端权重 → 读 HRES 初始场 → 初始化 WN2（FGN）架构 → 自回归（autoregressive）滚动预报 → 可视化温度/风速/位势高度 → 跑直接气旋追踪器输出路径 → 计算损失并做一次梯度下降。也就是说，它把「推理」与「训练一步」都演示了。

想完整训练则要另备数据：ERA5（经 WeatherBench2 以 Zarr 提供）做基础训练，WeatherBench2 的 HRES 数据做业务微调。注意这些数据集有独立条款，使用前需自查合规。

仓库结构上，utils/ 收纳了跨模型共享的基础设施——自回归滚动、输入归一化、图构建块、损失计算、xarray 兼容层——这意味着读这个目录等于读三代模型共用的工程骨架。

边界与风险声明

仓库的免责条款值得转述：这不是 Google 官方支持的产品；模型未与任何气象机构合作产出，也未被其背书，不能替代官方预警。对要做下游应用的人，这段话是产品设计的硬约束——AI 预报可以当参考源，不能当决策源。

采用建议

按需求分三档：做应用（天气类产品、可视化、研究分析）→ 直接走 Open-Meteo API 或 WeatherLab，零基础设施成本；做研究（模型改进、极端天气分析）→ Colab + Mini 权重起步，必要时上 TPU 复现完整版；做工程（业务化部署）→ 评估 GCS 数据通道订阅，比自运维模型便宜得多。真正需要 clone 仓库跑训练的，只剩「要在自有数据上微调」这一类需求。