由 Google Research 和 DeepMind 共同開發的 WeatherNext 3，捨棄了傳統的物理模型，直接從即時衛星數據中學習天氣模式。Google 承諾這項新模型能提供五倍的細節，並每小時更新預報。
先前的 AI 氣象模型，包括 WeatherNext 2，都是以數值天氣預報（NWP）數據進行訓練。Google 表示，這些模擬需在超級電腦上運行，並有長達六小時的延遲，這會導致對降雨和溫度等快速變化的變數產生誤差。
相反地，WeatherNext 3 處理的是即時地球同步衛星數據。它能根據最新的觀測結果，以高達五公里的解析度，每小時生成一份全新的預報。對於快速發展的風暴或降水，更快的更新週期意味著更早且更準確的預測。
這個模型能以多種解析度產生每小時預報。溫度和濕度預報的解析度為五公里，其他地表變數為十公里，而風速等大氣數值則為二十五公里。這比 WeatherNext 2 的解析度高出約五倍，後者使用二十五公里的網格，並以六小時為間隔進行預報。
Google 以英國的溫度預報為例，說明了兩者之間的差距。WeatherNext 2 以二十五公里解析度產生的地圖呈現像素化，而 WeatherNext 3 以五公里解析度則能捕捉到當地地形的細節。
WeatherNext 3 針對地表溫度使用五公里網格，能夠清晰呈現山脈和海岸線，這些在 WeatherNext 2 的二十五公里網格中會模糊成塊狀。
該模型也利用個別氣象站的數據進行訓練，以捕捉海岸線、山谷和山脈等細節。這使得全球預報能更精確地反映區域條件。Google 表示，拉丁美洲、非洲和亞太地區將因此受益最多，因為傳統區域模型的運算成本高昂，導致這些地區的服務不足。
對於太平洋西北地區的降水預報，WeatherNext 3 比其前代模型更能清晰地解析狹窄的雨帶，並且更接近雷達觀測結果。
全球氣象模型長期以來在降水預報方面面臨挑戰，因為降雨和降雪取決於小尺度上快速變化的雲層過程。Google 使用兩種來源訓練該模型：NASA 基於衛星的 IMERG 數據集，以及 Google 自己建立在衛星雷達上的全球降水分析數據。
該模型攝取地球同步衛星數據和傳統分析數據，然後生成用於大氣和降水的密集網格場，以及氣象站和氣旋路徑的點預報。
對於中期全球預報，連續排名機率分數（CRPS）顯示，在短前置時間內，其表現比 IMERG 提升高達 60%，比 MRMS 提升 30%，比雨量計提升 10%。WeatherNext 3 還能預測 100 公尺高度（約風力渦輪機高度）的風速，以估計風力發電場的產量。更準確的雲量和太陽輻照度數值，則能讓太陽能設施計算預期發電量。Google 表示，這將有助於電網營運商平衡供需。
Google 每小時更新預報數據。研究人員、開發者和企業可以透過 BigQuery 和 Earth Engine 查詢數據，或從 Google Cloud Storage 大量下載。WeatherNext 3 現已為 Google Search、Gemini 應用程式、Google Maps、Google Maps Platform Weather API 和 Google Earth Engine 中的天氣功能提供支援。
當用戶規劃一天或更長時間的行程時，將會看到降水預報的準確性提高多達 50%，尤其是在過去預測可靠性較低的地區，改進將最為顯著。
Google 承認大氣層總會帶有一定程度的不可預測性。對於官方預報、惡劣天氣警報和安全建議，該公司仍建議用戶參考國家氣象服務機構的資訊。
Google DeepMind 於 2025 年 11 月推出了 WeatherNext 2。該模型在 99.9% 的氣象變數和預報時間窗上超越了第一代 WeatherNext，同時運行速度快八倍，能在單一 TPU 上於一分鐘內處理數百種天氣情境。它建立在與 WeatherNext 3 相同的「功能生成網路」（Functional Generative Network）基礎上。
WeatherNext 2 已經為 Google Search、Gemini、Pixel Weather 和 Weather API 提供支援。
2026 年 8 月，DeepMind 以開放授權形式發布了 WeatherNext 2 和 WeatherNext Cyclones。這個氣旋模型能在單一系統中預測熱帶風暴的路徑和強度，並且比領先的作業模型提前約一天進行預報，儘管它使用的網格粗糙約一百倍。
2024 年底，DeepMind 發布了 GenCast，這是第一個超越 ECMWF 集合系統的機率性 AI 氣象模型。
