谷歌WeatherNext 3进军能源市场

面向能源场景的AI气象模型升级

Google DeepMind与Google Research于9月3日正式发布WeatherNext 3。该模型专为能源行业优化：可预测距地面100米高度的风速（接近现代风机轮毂高度）、云层覆盖程度及到达地表的太阳辐照量，所有预报每小时更新一次。相较前代WeatherNext 2（25公里网格分辨率、每6小时更新），新模型将空间分辨率提升至最高5公里，并新增多项直接影响风光发电出力的关键变量。

企业级交付架构已就绪

尽管公众关注点集中于其在Google Search、Gemini应用、Google Maps及Maps Platform Weather API中的消费端呈现，但真正具有商业纵深的是其企业层部署能力：同一套预报数据可直接通过BigQuery查询、在Earth Engine中作为空间分析图层调用、或从Google Cloud Storage批量下载——客户无需自行部署或微调模型。这种即用型（no-model-setup-required）基础设施集成，显著降低了电网公司与新能源开发商的接入门槛。

能源系统双重不确定性推升预报需求

电网正面临“两端不可预测性”加剧的挑战。在发电侧，可再生能源已成为新增装机主力：S&P Global Market Intelligence《2026年美国电网展望》预计，2024年全美计划新增装机超90GW，其中光伏达51.2GW、储能25.7GW；而风光出力高度依赖天气，短期预报精度直接决定调度经济性。在用电侧，数据中心扩张正驱动负荷激增——Deloitte《2026年电力与公用事业行业展望》预测，到2035年峰值负荷将增长约26%，其中数据中心用电需求或达176GW，是2024年的5倍。

预报失误代价高昂

低估风电出力，电网需高价调用燃气机组紧急补电；高估则导致风光电站被强制弃电（curtailment），二者均造成显著经济损失。这正是能源市场持续采购高精度气象服务的根本动因。

直面成熟竞争格局

当前能源气象服务市场已有Vaisala、Solcast、DNV WindGEMINI、IBM HyperWatch等专业厂商。瑞士公司Jua更宣称其EPT-2模型在准确率上超越微软Aurora与DeepMind早期GraphCast，且每日更新24次（行业典型为4次）。谷歌的核心优势在于生态广度：同一预报数据以表格、图层、API、搜索结果等多种形态原生嵌入其云与终端产品矩阵，这是任何垂直厂商无法复制的渠道密度。其小时级更新也实质性收窄了传统厂商曾倚重的“更新频率”护城河。

物理约束仍是争议焦点

现有厂商保留的最后技术论点，是极端天气下的可靠性差异：Jua指出，欧洲中期天气预报中心（ECMWF）的HRES等物理模型，在突破历史极值的风暴事件中仍优于纯数据驱动AI模型——因其内嵌大气能量与质量守恒定律，而AI仅从历史数据中学习统计模式。这一论点直指电网最担忧的场景：当真实天气超出训练数据分布时，模型可能失效。Jua自身销售“物理约束型”产品，该立场与其商业定位一致，但也客观反映了行业对AI气象模型鲁棒性的关键关切。

架构演进：从模拟数据转向真实观测

WeatherNext 3的底层架构革新在于训练数据源切换：不再依赖数值天气预报（NWP）模型（如ECMWF HRES）的滞后仿真输出（通常含6小时延迟），而是直接摄入实时地球静止轨道卫星影像，并融合单点气象站实测数据进行端到端训练。此举旨在减少快速变化变量（如降水、地表温度）因模拟延迟引入的系统性偏差。谷歌官方系统图显示，模型输入包含一小时合成卫星马赛克、地面站点观测及热带气旋轨迹等多源真实数据——这一转变确凿存在，但实际影响范围较部分报道所称更为聚焦。

> 编者观点：对中国企业而言，WeatherNext 3揭示了一条关键路径——AI气象能力的价值兑现，不在于模型参数规模或榜单排名，而在于能否以零摩擦方式嵌入能源调度、交易、资产开发等核心业务流。国内AI气象初创与云厂商亟需强化与电网、新能源集团的联合验证与场景共建，而非仅比拼分辨率或更新频次。