Google представила нову ШІ-модель для прогнозування погоди, яка обробляє супутникові дані в реальному часі, а не заднім числом — і завдяки цьому видає прогнози вищої роздільної здатності, ніж попередні системи компанії. За даними Engadget, ключова відмінність нової моделі — саме в джерелі вхідних даних: замість того, щоб чекати на оброблені метеорологічні зведення, вона «дивиться» на живу супутникову стрічку й одразу перетворює її на прогноз.

Для індустрії це не разовий трюк, а продовження лінії, яку Google вибудовує вже кілька років: GraphCast (2023) і GenCast (2024) показали, що нейромережі можуть обганяти класичні числові моделі прогнозування погоди (NWP) за точністю й швидкістю, тренуючись на десятиліттях архівних даних ERA5. Нова модель іде на крок далі — вона працює не з архівом, а з даними, які тільки-но надійшли з орбіти.

Для AI-білдерів це цікавий кейс не через погоду як таку, а через патерн: спеціалізована модель, натренована на вузькому домені, витісняє інженерний стек, який десятиліттями вважався золотим стандартом науки.

Що саме змінилося в прогнозах Google?

Головна зміна — вхідні дані обробляються наживо, а не з затримкою. Класичні NWP-системи й навіть перші покоління ШІ-моделей Google спираються на попередньо оброблені метеорологічні зведення, які збирають дані з супутників, буїв і наземних станцій у уніфікований формат — цей процес забирає час. Нова модель, за даними Engadget, працює безпосередньо із сирими супутниковими знімками, що скорочує затримку між подією в атмосфері та її появою в прогнозі.

Практичний наслідок — вища роздільна здатність. Що менше часу йде на попередню обробку, то детальніше можна змоделювати локальні явища: грозові фронти, різкі перепади опадів, швидкі зміни вітру — те, що класичні моделі із шестигодинним циклом оновлення часто «розмазують» по великих клітинках сітки.

Чому супутники наживо — це складніше, ніж здається?

Сирі супутникові дані — це шум, пропуски через хмарність і різні формати з різних апаратів. Наприклад, щільна хмарність над океаном традиційно означала «сліпу зону» для класичних моделей, які покладалися на розріджену мережу буїв і рідкісні проходи супутників-спостерігачів. Модель має навчитися відфільтровувати цей шум самостійно, без проміжного шару людської чи алгоритмічної очистки, яку класичний конвеєр виконує роками відпрацьованими методами. Це типова задача для великих нейромереж: замінити ланцюжок вузькоспеціалізованих евристик однією моделлю, яка вчиться патернам напряму з сирих сигналів — той самий підхід, що дав перевагу GraphCast і GenCast над фізичними симуляціями.

Чому це витісняє класичні числові моделі?

Класичний NWP розв'язує рівняння гідродинаміки та термодинаміки атмосфери на суперкомп'ютерах — це коштує днів обчислень на кластерах, які займають цілі будівлі. Для порівняння, топові NWP-центри на кшталт ECMWF тримають власні суперкомп'ютерні кластери вартістю в сотні мільйонів доларів саме під ці розрахунки. ШІ-модель, натренована один раз, видає прогноз за секунди-хвилини на значно скромнішому залізі. Це не лише дешевше — це дозволяє оновлювати прогноз частіше, ніж дозволяє фізична симуляція.

• Швидший цикл оновлення — прогноз можна перерахувати відразу після надходження нових даних, а не за фіксованим розкладом.
• Нижча вартість інференсу порівняно з обчисленнями по фізичних рівняннях на суперкомп'ютерах.
• Вища деталізація локальних явищ завдяки скороченій затримці між сирими даними й прогнозом.

Ми вже писали про те, як модель Google обігнала класичні системи прогнозування — нова розробка розвиває той самий напрям, тепер зі ставкою на дані наживо, а не на архів.

Висновок AiiN

За нашою оцінкою, головний сигнал тут не в метеорології, а в тому, що спеціалізовані ШІ-моделі методично забирають у класичних числових методів науки одну галузь за іншою — спочатку точність, потім швидкість, тепер і саму архітектуру збору даних. Погода — просто зручний полігон, бо там є десятиліття розмічених даних і чіткий критерій успіху: збіглося чи ні. Наступні кандидати на той самий сценарій — це домени з подібною структурою: багато сенсорних даних, фізична модель-еталон для порівняння і високий попит на швидкість. Для AI-білдерів це аргумент дивитися не лише на LLM, а й на вузькоспеціалізовані моделі там, де є великий розмічений архів і повільний класичний конкурент.

Чи замінить ця модель метеорологів?

Ні, і Google не подає її так. Модель автоматизує обчислювальну частину прогнозу, а інтерпретація для конкретних рішень — евакуації, авіації, сільського господарства — лишається за фахівцями, які оцінюють невизначеність і локальний контекст.

Де побачити ці прогнози на практиці?

Google поступово інтегрує напрацювання з лінійки GraphCast/GenCast у власні продукти — пошук погоди, Maps і супутні сервіси, а також публікує моделі для дослідників. Нова модель із живими супутниковими даними, за даними Engadget, продовжує цю ж траєкторію виходу з лабораторії в продукт.