32個隨機數字，1分鐘推演地球未來15天丨谷歌DeepMind
讓模型變成一個小“地球”
聞樂 發自 凹非寺
量子位 | 公眾號 QbitAI
天氣預報的時代真的變了。
谷歌DeepMind最新發布的WeatherNext 2，讓查天氣這件事升級成了小時級、實時化。
它的運行速度比上一代快8倍，分辨率提高到小時級，也就是說不再是傳統預報里的“明天下午有雨”，而是可以細到“明天2–3點有小雨，3–4點雨勢增強，5–6點逐漸停止”的節奏。
有意思的是，它不只給你一個版本的預測，而是能從同樣的輸入里生成幾十、上百個可能的天氣演化情景。
傳統超算要忙上好幾個小時的活，它用一個TPU、1分鐘就能做完。
結果是，99.9%的預測變量和時效都超過了上一代WeatherNext，對高溫、暴雨這種極端天氣的影響范圍，也能更早看出端倪。
那氣象預報為什么需要做到這么細呢？
讓模型自己變成小地球
首先，在現實里，很多行業都和天氣綁得很緊。
能源系統看它協調負荷；城市管理看它安排人力；農業看它定節奏；物流、航班更是每天都要盯著它做決策。
而且，大氣系統可以看成一個巨大的混沌機器，任何一個細小的擾動，可能都會影響幾天后的云層走向或降雨范圍。
傳統做法是用大量的“不同初始條件”去跑很多次預測，再從上千個結果里找出大概率的走向。
但這樣一來太耗算力了。
而讓WeatherNext 2變得既快又準的關鍵，是谷歌DeepMind新提出的FGN（Functional Generative Networks）功能生成網絡。
FGN的思路非常不一樣。它并不是堆更多的物理方程，也不去模擬天氣本身，而是通過給模型本體加上一點輕微、但全局一致的隨機擾動，讓模型變成一個會變化的小地球。
更具體來說，FGN在每次預測時都會輸入一個32維的小隨機向量，也就是32個隨機數字。這個隨機向量會穿過模型的所有層，通過控制模型的內部狀態，再由模型自然生成一套完整的未來天氣場。
一次隨機數就是一種未來，再換一組隨機數就是另一種未來。
這是因為FGN讓模型自己成為一個可采樣的隨機函數，通過內部結構把低維噪聲擴散成全球一致的變化模式。它訓練時只優化每個網格點的單點誤差（CRPS），但模型為了同時降低所有點的誤差，被迫學會天氣本身的結構規律，因此能夠自發地產生高維的空間相關性。
這也是為什么32個數字最終能生成高達8700萬維的全球天氣變化，還做到了既連貫、又符合物理結構。
這種看似簡單粗暴的方法還更準。FGN的整體表現全面超過了DeepMind之前最強的GenCast。預測誤差更低、概率表現更好、空間結構更自然，風場、溫度、高度場之間的關系也更加協調；概率分布的寬度更合理，不會過度收縮或過度發散。
在極端天氣上，它的提前預測能力尤其明顯。比如臺風路徑，FGN能比GenCast大約提前24小時達到相同精度，這對應急決策、交通調度來說是很關鍵的。
而且，在1個TPU上，它生成一次15天的全球預報只需要不到1分鐘，比之前快大約8倍。
當然了，FGN方法在真實的預測過程中，高頻變量偶爾會導致一些輕微偽影。
但整體而言，FGN已經夠穩定，夠高效，也夠實用了。
論文地址：https://arxiv.org/abs/2506.10772
參考鏈接：https://x.com/GoogleDeepMind/status/1990435105408418253
— 完 —
量子位 QbitAI · 頭條號簽約
關注我們，第一時間獲知前沿科技動態
- 又一高管棄庫克而去！蘋果UI設計負責人轉投Meta2025-12-04
- 萬卡集群要上天？中國硬核企業打造太空超算！2025-11-29
- 學生3年投稿6次被拒，于是吳恩達親手搓了個評審Agent2025-11-25
- 波士頓動力前CTO加盟DeepMind，Gemini要做機器人界的安卓2025-11-25
相關閱讀
