Google представил новую модель искусственного интеллекта для прогноза погоды с более быстрыми и точными прогнозами.

Вкратце

• WeatherNext 2 генерирует сотни глобальных прогнозов менее чем за минуту, что позволяет проводить более частые обновления сценариев, чем традиционные модели.
• Google уже использует систему в Поиске, Gemini, Pixel Weather и Картах, с планами на более широкое развертывание.
• Новый подход к моделированию, Функциональные Генеративные Сети, повысил точность по ключевым показателям, включая отслеживание экстремального ветра и циклонов.

Центр искусства, моды и развлечений Decrypt.

Откройте SCENE

Google DeepMind представила новую систему прогнозирования погоды на основе ИИ в понедельник, способную генерировать глобальные прогнозы погоды в восемь раз быстрее, чем традиционные инструменты, как говорится в сообщении.

Названная WeatherNext 2, система позиционируется как инструмент, помогающий агентствам быстрее готовиться к серьезным условиям, поскольку мир продолжает сталкиваться с частыми природными катастрофами, вызванными все более теплым климатом.

Для этого он генерирует сотни возможных сценариев из одной начальной точки, каждый из которых вычисляется менее чем за минуту на одном процессоре Tensor, специализированном чипе, разработанном Google для ускорения машинного обучения и рабочих нагрузок ИИ.

“Мы полагаемся на точные прогнозы погоды для критически важных решений — от цепочек поставок до энергетических сетей и планирования сельского хозяйства,” написал исследователь Google DeepMind Питер Батталья в X. “ИИ трансформирует наш подход к прогнозированию погоды.”

Погода влияет на всё и на всех. Наша последняя модель ИИ, разработанная с @GoogleResearch, помогает нам лучше её предсказывать. ⛅

WeatherNext 2 — это наша самая продвинутая система на сегодняшний день, способная генерировать более точные и высококачественные глобальные прогнозы. Вот что она может делать — и почему… pic.twitter.com/yVdFFlAHpE

— Google DeepMind (@GoogleDeepMind) ноября 17, 2025

<br>

Развертывание на продуктах Google

Прогноз WeatherNext 2 уже работает в Search, Gemini, Pixel Weather и API погоды Google Maps, с более широкой поддержкой, которая появится позже.

“Мы работаем с командами Google над интеграцией WeatherNext в нашу систему прогнозирования,” сказал менеджер продукта WeatherNext 2 Акиб Уддин в заявлении. “Будь то поиск, Android или Google Maps, погода влияет на всех, и, делая более точные прогнозы погоды, мы можем помочь всем.”

По словам DeepMind, традиционные модели могут занимать часы, что ограничивает частоту обновления сценариев. Используя передовой ИИ, WeatherNext 2 превзошел свою предыдущую операционную модель, WeatherNext Gen, утверждает компания.

“Это примерно в восемь раз быстрее, чем предыдущая вероятностная модель, которую мы выпустили в прошлом году, а по разрешению она в шесть раз больше,” - сказал Батталья в заявлении. “Таким образом, вместо того чтобы делать шаги по шесть часов, она делает шаги по одному часу. Она превосходит предыдущую модель погоды следующего поколения по 99,9% переменных, которые мы тестировали.”

На практике это означает, что новая система обеспечивала более точные прогнозы температуры, ветра, влажности и давления практически повсеместно и почти в каждой точке 15-дневного окна.

DeepMind приписала рост новым подходам в моделировании, описанным в июньской исследовательской статье о Функциональных Генеративных Сетях, или FGN, которые изменяют способ, которым система представляет неопределенность и генерирует вариации прогнозов.

Новый подход к моделированию

Согласно Google, FGN обучен только на однопараметрических прогнозах, или “маргиналах”, таких как температура, ветер или влажность в конкретном месте.

Несмотря на это, модель изучает, как эти переменные взаимодействуют, что позволяет ей предсказывать более широкие, взаимосвязанные паттерны, такие как региональные тепловые события и поведение циклонов.

Google сообщил, что FGN соответствует GenCast по экстремальным прогнозам температуры на высоте двух метров и превышает его по экстремальным прогнозам ветра на высоте десяти метров, в зависимости от переменной.

Модель также показала более сильную калибровку на различных временных интервалах и лучшую производительность, когда прогнозы оценивались по большим регионам, а не по отдельным точкам.

Используя Непрерывную Ранжированную Вероятностную Оценку — стандартную метрику точности, которая проверяет, насколько близко полный диапазон предсказанных исходов модели соответствует тому, что на самом деле произошло, статья сообщает о средних улучшениях на 8,7% для усредненной CRPS и 7,5% для максимальной CRPS по сравнению с GenCast.

Производительность прогнозирования циклонов

FGN также улучшил прогнозы тропических циклонов.

По сравнению с историческими треками из Международного архива лучших треков для климатического управления, средние ансамблевые прогнозы уменьшили ошибки положения примерно на 24 часа времени опережения между трех- и пятидневными прогнозами.

Версия FGN, работающая с временными интервалами в 12 часов, показала более высокую ошибку, чем версия с шестичасовыми интервалами, но все же превзошла GenCast на временных интервалах более двух дней.

Прогнозы вероятности отслеживания показали более высокую относительную экономическую ценность по большинству соотношений затрат и потерь, а также сроков выполнения.

DeepMind сообщила, что экспериментальные инструменты предсказания циклонов, созданные с использованием этой технологии, были переданы метеорологическим агентствам.

“Вы получаете более точные прогнозы, и они приходят быстрее, что помогает всем принимать правильные решения, особенно когда мы начинаем видеть все более экстремальную погоду,” сказал Уддин. “Я думаю, что существует целый спектр приложений для улучшенного прогнозирования погоды.”