# WeatherNext від Google DeepMind прогнозує циклони в одному проході > Google DeepMind об'єднала прогноз траси й інтенсивності тропічних циклонів в одній моделі WeatherNext, яка рахує результат за хвилини. - Опубліковано: 9 серпня 2026 р. (2026-08-09T13:23:24.117171+00:00) - Розділ: AI-дослідження - На основі публікації: [The Decoder](https://the-decoder.com/google-deepminds-weathernext-predicts-cyclone-tracks-and-intensity-at-the-same-time/) - Видання: AiiN (https://aiin.news) - URL: https://aiin.news/article?slug=weathernext-%D0%B2%D1%96%D0%B4-google-deepmind-%D0%BF%D1%80%D0%BE%D0%B3%D0%BD%D0%BE%D0%B7%D1%83%D1%94-%D1%86%D0%B8%D0%BA%D0%BB%D0%BE%D0%BD%D0%B8-%D0%B2-%D0%BE%D0%B4%D0%BD%D0%BE%D0%BC%D1%83-%D0%BF%D1%80%D0%BE%D1%85%D0%BE%D0%B4%D1%96 --- Google DeepMind навчила модель WeatherNext прогнозувати траєкторію руху тропічного циклону та його інтенсивність — швидкість вітру, тиск у центрі, темп підсилення — в межах одного розрахунку, а не двома окремими системами, як досі роблять класичні метеоцентри. [За даними The Decoder](https://the-decoder.com/google-deepminds-weathernext-predicts-cyclone-tracks-and-intensity-at-the-same-time/), це поєднання двох задач в одному ML-прогнозі, а не в почерговій обробці різними моделями. Для галузі прогнозування погоди різниця не косметична. Точність прогнозу траси циклону за останні два десятиліття покращилася в рази завдяки супутниковим даним і потужнішим обчисленням, а прогноз інтенсивності — наскільки сильним стане шторм за 24–72 години — досі лишається слабким місцем навіть у провідних метеослужб. Це той випадок, коли неточність коштує не відсотків похибки, а рішень про евакуацію мільйонів людей. Модель WeatherNext розвиває напрямок, який DeepMind заклала ще в дослідницьких проєктах на кшталт GenCast — прогнозної системи, що передбачає стан атмосфери напряму з даних замість розв'язання рівнянь гідродинаміки. Об'єднання траси й інтенсивності циклону в одному прогнозі стало можливим саме тому, що модель не рахує ці параметри послідовно через різні фізичні блоки, а вчиться на історичних даних одразу відтворювати обидва. ## Що саме змінилося у прогнозуванні циклонів під капотом? Головна зміна — відмова від конвеєра з двох окремих моделей на користь єдиного end-to-end прогнозу. У традиційній чисельній схемі прогнозування погоди (NWP) трасу циклону визначає глобальна атмосферна модель, а інтенсивність — окрема, часто регіональна модель високої роздільної здатності, тому що процеси, які підсилюють шторм (структура ока, теплообмін з океаном), відбуваються на масштабах, які глобальна сітка просто не бачить. WeatherNext вирішує цю нестиковку статистично: модель навчена на масивах історичних даних про циклони й видає обидва параметри як вихід одного проходу мережі, без пересадки результату з однієї моделі в іншу. Практичний наслідок — швидкість. Ансамблевий прогноз, який раніше вимагав окремих запусків для траси й інтенсивності, тепер можна порахувати за хвилини, а не години обчислень на суперкомп'ютері. Це критично під час активного сезону ураганів, коли синоптикам треба оновлювати прогноз кожні кілька годин. ## Чому прогноз інтенсивності досі відставав від прогнозу траси? Бо це фізично різні задачі. Трасу циклону визначають великомасштабні атмосферні потоки — те, що глобальні моделі рахують відносно добре вже понад двадцять років. Інтенсивність залежить від дрібномасштабних процесів усередині самого шторму: температури поверхні океану, вертикального зсуву вітру, внутрішньої структури ока — параметрів, які легко «губляться» при недостатній роздільній здатності сітки. За оцінками метеорологічних служб, помилка прогнозу інтенсивності за 48 годин історично залишалася в рази вищою за відносну помилку прогнозу траси. Об'єднана ML-модель на кшталт WeatherNext обходить цю проблему, бо не будує окрему фізичну модель для кожного масштабу — вона вчиться на паттернах у даних, де траса й інтенсивність вже нерозривно пов'язані в кожному історичному випадку. ## Кому в AI-індустрії ця технологія відкриває можливості? Найочевидніші бенефіціари — не самі метеослужби, а продукти й ринки, що будуються поверх точнішого й швидшого прогнозу: - Страхові компанії й перестраховики, яким швидший і точніший прогноз інтенсивності дозволяє точніше оцінювати catastrophe risk і встановлювати премії до, а не після шторму. - Логістичні й портові оператори, для яких вікно на переорієнтацію суден чи зупинку операцій вимірюється годинами, а не днями. - Розробники систем раннього попередження для урядів і НУО в прибережних регіонах Азії, Карибського басейну й Мексиканської затоки — там, де евакуація мільйонів людей залежить від того, наскільки рано й точно відомий прогноз. - Компанії, що будують кліматичну аналітику й ESG-продукти поверх відкритих прогнозних даних, — WeatherNext вписується в ширшу практику Google робити прогнозні моделі доступними через API та відкриті датасети. ## Що це означає для AI-білдерів просто зараз? Наша теза в AiiN проста: WeatherNext показує, що ML-моделі вже не намагаються «переграти» фізичні моделі погоди в лоб, а обходять їхнє головне вузьке місце — необхідність рахувати процеси різних масштабів окремими підсистемами. Це той самий патерн, який ми бачимо в мультимодальних LLM: об'єднання задач, які раніше вирішували різні спеціалізовані моделі, в один end-to-end прохід зазвичай дає не лише точність, а й швидкість, достатню для реального часу. Для AI-білдерів, що працюють із геопросторовими або сенсорними даними, головний висновок — шукати місця, де ваш продукт досі «склеює» вихід двох окремих моделей вручну, бо саме там і ховається наступне покращення. Детальніше про те, як Google перебудовує свою дослідницьку структуру навколо подібних проєктів, ми писали в матеріалі [Google розбирає DeepMind: Хассабіс іде, Gemini на роздоріжжі](https://aiin.news/article?slug=google-розбирає-deepmind-хассабіс-іде-gemini-на-роздоріжжі). ## Чи замінить WeatherNext прогнози Національного центру ураганів? Ні, найближчим часом ні. Модель позиціонують як допоміжний інструмент для синоптиків, а не заміну офіційних прогнозів NHC чи регіональних метеослужб, які й надалі ухвалюють остаточні рішення про евакуацію. ## Чи доступна WeatherNext стороннім розробникам? Google традиційно публікує прогнозні дані та ваги подібних дослідницьких моделей через відкриті датасети й API в рамках програми Google Research, тож найімовірніший сценарій — доступ через хмарні сервіси Google для метеорологічних і кліматичних застосунків, а не окремий комерційний продукт. --- Теги: AI, WeatherNext, GoogleDeepMind, клімат, прогнозпогоди, циклони Джерело: AiiN — https://aiin.news/article?slug=weathernext-%D0%B2%D1%96%D0%B4-google-deepmind-%D0%BF%D1%80%D0%BE%D0%B3%D0%BD%D0%BE%D0%B7%D1%83%D1%94-%D1%86%D0%B8%D0%BA%D0%BB%D0%BE%D0%BD%D0%B8-%D0%B2-%D0%BE%D0%B4%D0%BD%D0%BE%D0%BC%D1%83-%D0%BF%D1%80%D0%BE%D1%85%D0%BE%D0%B4%D1%96. Цитуючи, посилайтесь на канонічний URL.