Google представила нову модель штучного інтелекту для прогнозування погоди з більш швидкими та точними прогнозами

Коротко

• WeatherNext 2 генерує сотні глобальних прогнозів менш ніж за хвилину, що дозволяє частіше оновлювати сценарії, ніж звичайні моделі.
• Google вже використовує цю систему у Search, Gemini, Pixel Weather та Maps, з планом на більш широке впровадження.
• Новий підхід до моделювання, Функціональні Генеративні Мережі, підвищив точність за ключовими показниками, включаючи трекінг екстремальних вітрів та циклонів.

Хаб мистецтв, моди та розваг Decrypt.

Відкрийте SCENE

Компанія Google DeepMind представила в понеділок нову систему прогнозування погоди на основі штучного інтелекту, здатну генерувати глобальні прогнози погоди вісім разів швидше, ніж традиційні інструменти, як зазначили в компанії.

Систему, названу WeatherNext 2, позиціонують як інструмент, що допомагає агентствам швидше готуватись до суворих умов, оскільки світ продовжує боротися з частими природними катастрофами, викликаними все більш теплим кліматом.

Для цього він генерує сотні можливих сценаріїв з однієї початкової точки, кожен з яких обчислюється менш ніж за хвилину на одному процесорному модулі тензорів, спеціалізованому чіпі, розробленому Google для прискорення робочих навантажень машинного навчання та ШІ.

“Ми покладаємося на точні прогнози погоди для критично важливих рішень - від ланцюгів постачання до енергетичних мереж і планування врожаю,” написав вченый Google DeepMind Пітер Батталья в X. “Штучний інтелект перетворює спосіб, яким ми прогнозуємо погоду.”

Погода впливає на все і всіх. Наша остання AI модель, розроблена спільно з @GoogleResearch, допомагає нам краще її прогнозувати. ⛅

WeatherNext 2 - це наша найсучасніша система, здатна генерувати більш точні та високо роздільні глобальні прогнози. Ось що вона може робити - і чому… pic.twitter.com/yVdFFlAHpE

— Google DeepMind (@GoogleDeepMind) 17 листопада 2025 р.

<br>

Розгортання через продукти Google

Прогноз WeatherNext 2 вже працює в Search, Gemini, Pixel Weather та Google Maps Weather API, з більш широкою підтримкою, що з'явиться пізніше.

“Ми працюємо з командами Google, щоб інтегрувати WeatherNext у нашу систему прогнозування,” - сказав менеджер продукту WeatherNext 2 Акіб Уддін у заяві. “Незалежно від того, чи використовуєте ви пошук, Android або Google Maps, погода впливає на всіх, і, роблячи кращі прогнози погоди, ми можемо допомогти всім.”

Звичайні моделі можуть займати години, обмежуючи частоту оновлення сценаріїв, зазначила DeepMind. Використовуючи передовий штучний інтелект, WeatherNext 2 перевершив свою попередню операційну модель, WeatherNext Gen, стверджує компанія.

“Це приблизно вісім разів швидше, ніж попередня ймовірнісна модель, яку ми випустили минулого року, а за роздільною здатністю вона в шість разів більша,” - сказав Батталья в заяві. “Тож замість того, щоб робити шестигодинні кроки, вона робить одногодинні кроки. Вона перевершує попереднє покоління прогнозу погоди за 99,9% змінних, які ми тестували.”

У практичному сенсі це означає, що нова система забезпечила більш точні прогнози температури, вітру, вологості та тиску практично скрізь і майже в кожній точці 15-денного періоду.

DeepMind пов'язує приріст з новим підходом моделювання, описаним у червневій науковій статті про Функціональні Генеративні Мережі, або FGN, який змінює спосіб, у який система представляє невизначеність і генерує варіації прогнозів.

Новий підхід до моделювання

FGN навчається лише на одновимірних прогнозах, або “маргіналах”, таких як температура, вітер або вологість у конкретному місці, згідно з Google.

Незважаючи на це, модель вивчає, як ці змінні взаємодіють, що дозволяє їй прогнозувати більш широкі, взаємопов'язані патерни, такі як регіональні теплові явища та поведінка циклонів.

Google повідомив, що FGN відповідала GenCast за екстремальними прогнозами температури на двометровій висоті та перевершила її за екстремальними прогнозами вітру на десятиметровій висоті, залежно від змінної.

Модель також продемонструвала більш сильну калібрування на різних термінах та кращу продуктивність, коли прогнози оцінювалися на більших територіях, а не на окремих точках.

Використовуючи безперервний ранговий ймовірнісний бал—стандартну метрику точності, яка перевіряє, наскільки близько повний спектр прогнозованих результатів моделі відповідає тому, що насправді сталося—дослідження повідомляє про середні покращення на 8,7% для середнього пулінгу CRPS і 7,5% для максимального пулінгу CRPS в порівнянні з GenCast.

Прогнозування циклонів

FGN також покращив прогнози тропічних циклонів.

Порівняно з історичними маршрутами з Міжнародного архіву найкращих треків для охорони клімату, середнє значення прогнозів зменшило помилки позиції приблизно на 24 години попередження між триденними та п'ятиденними прогнозами.

Версія FGN, що працювала з 12-годинними кроками, показала вищу помилку, ніж версія з шестигодинними кроками, але все ще перевершила GenCast на термінах більше двох днів.

Прогнози ймовірності трекінгу показали вищу відносну економічну цінність у більшості співвідношень витрат і втрат, а також термінів виконання.

DeepMind повідомила, що експериментальні інструменти для прогнозування циклонів, створені з використанням цієї технології, були передані метеорологічним агентствам.

“Ви отримуєте більш точні прогнози, і отримуєте їх швидше, що допомагає всім приймати правильні рішення, особливо коли ми починаємо спостерігати за все більш екстремальними погодними умовами,” - сказав Уддін. “Я думаю, що існує цілий спектр застосувань для покращення прогнозування погоди.”