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, 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.

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.