# Google навчила WeatherNext 3 передбачати погоду без фізики > WeatherNext 3 від Google прогнозує погоду напряму з супутникових даних, обходячи традиційні фізичні симуляції атмосфери в реальному часі. - Опубліковано: 6 вересня 2026 р. (2026-09-06T11:40:58.686070+00:00) - Розділ: AI-дослідження - На основі публікації: [The Decoder](https://the-decoder.com/googles-weathernext-3-ditches-physics-simulations-and-learns-weather-directly-from-live-satellite-data/) - Видання: AiiN (https://aiin.news) - URL: https://aiin.news/article?slug=google-%D0%BD%D0%B0%D0%B2%D1%87%D0%B8%D0%BB%D0%B0-weathernext-3-%D0%BF%D0%B5%D1%80%D0%B5%D0%B4%D0%B1%D0%B0%D1%87%D0%B0%D1%82%D0%B8-%D0%BF%D0%BE%D0%B3%D0%BE%D0%B4%D1%83-%D0%B1%D0%B5%D0%B7-%D1%84%D1%96%D0%B7%D0%B8%D0%BA%D0%B8 --- Google представила WeatherNext 3 — модель прогнозування погоди, яка навчається напряму із супутникових знімків і повністю відмовляється від класичних фізичних симуляцій атмосфери, на яких десятиліттями трималася оперативна метеорологія. [За даними The Decoder](https://the-decoder.com/googles-weathernext-3-ditches-physics-simulations-and-learns-weather-directly-from-live-satellite-data/), модель отримує на вхід живі супутникові дані та вчиться передбачати їхню динаміку без розв'язання рівнянь термодинаміки й гідродинаміки. Класичні системи чисельного прогнозування погоди (NWP) роками розганяли суперкомп'ютери, щоб покроково розв'язувати фізичні рівняння стану атмосфери — тиск, вологість, вітер. Це точний, але надзвичайно ресурсомісткий підхід: один прогноз глобальної моделі може займати години обчислень на кластерах на кшталт тих, що використовує Європейський центр середньострокових прогнозів погоди. WeatherNext 3 — не перша спроба Google замінити цю схему нейромережею: раніше DeepMind вже випускала GraphCast і GenCast, побудовані на графових нейромережах. Новизна третьої версії — у прямому навчанні на потоці супутникових даних, без проміжного етапу фізичного моделювання. ## Що саме змінилося порівняно з попередніми моделями? Ключова відмінність WeatherNext 3 — відмова від фізичних рівнянь як проміжної ланки між даними й прогнозом. Замість того, щоб симулювати атмосферу за законами фізики, модель напряму зіставляє патерни в супутникових знімках із тим, що сталося з погодою далі, і використовує ці зв'язки для передбачення. - Вхідні дані — живі супутникові спостереження, а не лише архівні реаналізи - Відсутній етап розв'язання диференціальних рівнянь атмосфери - Модель належить до того ж сімейства WeatherNext, що й попередні розробки Google DeepMind ## Як модель вчиться прогнозувати погоду без фізичних формул? Механізм — це класичний для сучасного deep learning принцип: нейромережа шукає статистичні закономірності в даних, а не виводить їх з першопринципів фізики. Для WeatherNext 3 це означає, що модель бачить величезні масиви супутникових спостережень за минулі періоди й вчиться, які саме конфігурації хмарного покриву, температурних полів чи вологості передують конкретному розвитку погоди. Це data-driven підхід у чистому вигляді: точність прогнозу залежить не від якості фізичної моделі атмосфери, а від обсягу й репрезентативності тренувальних даних та архітектури мережі. Такий підхід уже показав себе в попередніх моделях Google — GraphCast за певними метриками обганяв традиційні NWP-системи за швидкістю за порівнянної точності. ## Чому це важливо для AI-індустрії, а не лише для метеорологів? Наш погляд в AiiN: WeatherNext 3 — показовий приклад того, як data-driven моделі витісняють традиційні наукові симуляції там, де раніше домінували фізичні розрахунки. Погода — одна з небагатьох областей, де за десятиліття накопичився достатній обсяг якісних супутникових спостережень, щоб нейромережа могла вчитися напряму з реальності, а не з фізичної теорії. Ймовірно, за нашою оцінкою, подібна логіка — заміна дорогих ітеративних симуляцій навченою на даних моделлю — застосовна й до інших наукових областей із подібним обсягом спостережних даних, хоча в новині Google йдеться конкретно про прогноз погоди. ## Що з цим робити AI-білдерам зараз? Висновок AiiN: якщо ваш продукт чи дослідження впираються в дорогу фізичну симуляцію як проміжний крок, варто перевірити, чи не назбиралося вже досить розмічених спостережних даних, щоб замінити цей крок навченою моделлю — саме так Google скоротила шлях від сирих супутникових даних до прогнозу. Для команд, що працюють із геопросторовими або сенсорними даними, WeatherNext 3 — сигнал придивитися до архітектур на кшталt GraphCast/GenCast як до готового орієнтира, а не винаходити подібний pipeline з нуля. ## Чи означає це, що фізичні моделі погоди більше не потрібні? У новині про це не йдеться — Google просто випустила ще одну модель у лінійці WeatherNext, яка обходиться без фізичних симуляцій на етапі прогнозування. Чи витіснить вона повністю класичні NWP-системи в оперативній метеорології, джерело не уточнює. ## Чим WeatherNext 3 відрізняється від GraphCast і GenCast? Обидві попередні моделі також були нейромережевими, але новизна WeatherNext 3, за даними The Decoder, — у прямому навчанні з живих супутникових даних, без фізичного моделювання як проміжного кроку. --- Теги: AI, GoogleDeepMind, WeatherNext, машиннеНавчання, AI-дослідження Джерело: AiiN — https://aiin.news/article?slug=google-%D0%BD%D0%B0%D0%B2%D1%87%D0%B8%D0%BB%D0%B0-weathernext-3-%D0%BF%D0%B5%D1%80%D0%B5%D0%B4%D0%B1%D0%B0%D1%87%D0%B0%D1%82%D0%B8-%D0%BF%D0%BE%D0%B3%D0%BE%D0%B4%D1%83-%D0%B1%D0%B5%D0%B7-%D1%84%D1%96%D0%B7%D0%B8%D0%BA%D0%B8. Цитуючи, посилайтесь на канонічний URL.