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, 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.

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.