据世界形象组织统计
，在从前50年中
，热带气旋造成了1.4万亿美元的经济损失
，共造成1945次苦难
，夺去约80万人性命。并且受此威胁的人数
，还在攀升。 它们对大气前提的微幼变动极为敏感
，因而精准预测其轨迹和强度一向是形象学界公认的难题。然而
，提高气旋预测正确性将有助于通过更有效的防灾筹备和实时分散来�；な茉稚缜�。 目前
，他们有多个AI气象模型在实时运行：WeatherNext Graph、WeatherNext Gen以及最新的尝试性气旋模型。Weather Lab还提供了超过两年的汗青预测数据
，供专家和钻研人员下载和分析
，从而表部评估模型在所有海洋流域的阐发。 模型的集中均值预测（粗蓝线）正确预感到Alfred气旋迅速减弱为热带风暴
，并于七天后在澳大利亚布里斯班左近登陆的过程
，同时正确预测在昆士兰海岸登陆的高概率区域。 Weather Lab用户能够索求并比力各类AI与物理模型的预测。倒剽些预测被综合思考时
，有助于形象机构和应急服务专家更好地预判气旋蹊径与强度
，从而更好地应对分歧情景
，传布风险信息
，并支持治理气旋影响的决策。 全球低分辨率模型在预测气旋蹊径方面阐发最佳
，但无法捉拿节造气旋强度的精密过程
，因而必要区域高分辨率模型的辅助。 FGN别离通过分歧机造建模认知不确定性与随机性不确定性（见下图1）：前者通过模型集成实现
，后者则选取与随机函数有关的技术。 在热带气旋蹊径预测方面
，FGN的均匀蹊径预测和蹊径概率预测均显著优于现有模型（ < 0.05）
，是首个在机能上明确超过主流物理模型的AI预测模型。 对于某个特定模型 M
，随机性不确定性在预测轨迹的每一步中通过采样一个低维噪声向量??引入
，该向量用于模型前向传布过程中的参数共享前提归一化。这能够理解为对神经网络权沉施加扰动
，从而获得参数 ??
，因而可视为对神经网络参数的采样。 若要在随机性不确定性下天生 N 个集中成员
，只需独立地对N个分歧的 ?? 进行前提天生即可。认知不确定性通过集成多个独立训练的模型 M 的输出进行建模
，每个模型占有自己的一组参数 {*, Δ}
，并按上述步骤别离天生集中成员的子集。 例如
，对2023和2024年北大西洋与东太平洋流域的NHC观测飓风数据进行初步评估。了局显示新模型在五天内的气旋蹊径预测比ECMW的ENS（全球当先的物理模型集中）均匀近140公里
，达到了ENS三天半预测的正确度
，相当于实现了1.5天的预测进展——这一进展通常需十年能力达到。 固然此前的AI气象模型在气旋强度预测方面阐发欠安
，但新的尝试性模型在均匀强度误差上优于NOAA（美国国度海洋和大气治理局）的HAFS（区域高分辨率物理模型）。