GenCast：台风路径为何要一次看 50 种可能

如果一条台风预报线指向日本，怎样知道它究竟有多确定？GenCast 的做法是生成一组可能的天气演变，再从中提取台风路径。线条聚在一起还是分散开来，本身就是值得看的信息。它把问题从“未来会怎样”推进到“未来可能有哪些走法”。

GenCast 是 Google DeepMind 的概率天气模型，当前仓库目录称它为 WeatherNext 1 Gen。官方已停止旧 WeatherNext Gen 的实时预报服务，新项目入口转向 WeatherNext 3。下面讨论的是仍可研究的模型与论文案例，不是一个新上线的查天气工具。当前官方状态

每个成员，都有一条完整的天气演变

GenCast 以当前和此前的天气状态为条件，通过扩散模型反复修正从噪声出发的候选状态，生成十二小时后的全球天气场。继续递推，便得到最长十五天的序列；换一组随机噪声再运行，就产生另一个集合成员。

因此，集合不是给同一张图加上不同颜色，也不是分别猜每个城市的温度。每个成员包含跨地区、跨变量、跨时间的联合变化。论文使用 50 个成员进行比较，从这些成员中才可以计算某地数值的分布，或提取气旋轨迹。这里解析的是官方方法，未在本机运行模型。

海贝思案例里，分散和收拢都值得看

论文图 2 用 2019 年台风海贝思展示了这条流程：从历史天气状态初始化模型，生成多份未来天气场，再提取各成员中的台风位置。下图底部四幅地图依次对应提前七天、五天、三天、一天的预报。蓝线是 GenCast 成员，红线是 ERA5 参照路径；提前量较长时蓝线分散，临近时逐渐收拢。

官方论文结果图，来源：GenCast 论文图 2，Price 等，CC BY 4.0。上部为 700 hPa 比湿场，下部为台风路径；可打开原图读标签。

上部还提供了一个容易忽略的对照：单个成员保留清晰的天气结构，多个成员求平均后，图像会更模糊。尤其在较长提前量下，不同成员里的天气系统位置并不一致，平均会把这些差异摊开。平均图比较平滑，不意味着每一种可能的天气也都平滑。

我认为这是 GenCast 最值得向一般 AI 读者解释的一点：当未来有多种走法时，一条看起来很稳的平均路线，会丢掉“还有哪些可能”。不过，某一次台风的集合收拢只是案例，不能据此证明所有集合概率都可靠，更不能把成员数量直接当作已校准的真实发生概率。

论文成绩比较了什么

研究使用 1979—2018 年 ERA5 资料训练，主要在 2019 年评估。对照是当时 ECMWF 的 ENS 集合系统，两边都使用 50 个成员，并在可比较的变量、气压层和预报时效上检验。

作者报告，GenCast 在 1,320 个比较组合中的 97.2% 上，概率预报指标 CRPS 显著优于 ENS。这个比例统计的是评估组合，不是台风命中率。两套系统分别使用适合其初始化方式的分析资料作为参照，研究也专门处理了初始化观测窗口的可比性；它不是拿今天的最新 ENS 做了一轮实时赛跑。

看演示时，别把 Mini 当成论文原版

当前官方研究目录仍提供不同分辨率的模型和 notebook。Mini 版本面向低成本演示，官方明确说明它不代表较大模型的性能；需要复现论文结果，就要选对应权重、分辨率和数据条件。

目录中的代码采用 Apache 2.0，权重许可于 2026 年 8 月更新为 CC BY 4.0，允许依条款商业使用；ERA5 等输入资料的许可另行适用。对想理解概率预测的读者，先看海贝思这组“天气场—成员—路径”的连续材料很合适；对需要实时天气数据的人，停用通知比旧演示链接更应该先看。