Google DeepMind och Google Research lanserade WeatherNext 3 på torsdagen och beskrev den som den mest avancerade och exakta globala väder-AI-modellen som företaget någonsin har byggt. Det nya systemet producerar en ny prognos varje timme istället för var sjätte, och löser viktiga ytvariabler som temperatur och fukt vid ett 5-kilometers rutnät - en bild som Google säger är ungefär fem gånger skarpare än sin föregångare, WeatherNext 2.
Till skillnad från de flesta modelllanseringar är den här redan invävd i produkter som används av miljarder. Enligt Google driver WeatherNext 3 nu väderresultat i Sök, Gemini, Maps, Google Maps Platform och Google Cloud. För följare av de senaste AI-nyheterna och forskningen har väderprognoser i tysthet blivit en av maskininlärnings mest kommersiellt framgångsrika gränser – en domän där AI-system inte längre är forskningsdemonstrationer utan standardmotorn bakom vardagliga svar.
Ett femfaldigt hopp i upplösning
En prognos nytta handlar ofta om detaljer: hur fint en modell löser både rum och tid. WeatherNext 3 genererar prognoser per timme med flera rumsliga upplösningar. Yttemperatur och fuktighet återges vid 5 kilometer, andra ytvariabler vid 10 kilometer och atmosfäriska variabler som vindhastighet vid 25 kilometer.
WeatherNext 2, som jämförelse, producerade prognoser på ett 25-kilometers rutnät i 6-timmarssteg. I en jämförelse som publicerades tillsammans med tillkännagivandet, löste den nya modellens 2-meters temperaturprognos över Storbritannien komplicerad lokal topografi, och undvek de pixlade, överutjämnade termiska representationerna som det äldre rutnätet producerade.
Lär dig från livesatelliter, inte bara simuleringar
Den djupare förändringen är vad modellen lär sig av. De flesta AI-vädermodeller, inklusive WeatherNext 2, är tränade på utdata från numeriska väderprognoser (NWP) - de superdatordrivna fysiksimuleringarna som har förankrat operationell meteorologi i årtionden. Dessa simuleringar har en datafördröjning på sex timmar, vilket introducerar fördomar i snabbt föränderliga variabler som regn och yttemperatur.
WeatherNext 3 tar en annan väg. Den intar en levande mosaik av globala geostationära satellitbilder som uppdateras varje timme, tillsammans med traditionell historisk analys, och matas in i ett enda Functional Generative Network (FGN) – en nättransformatorarkitektur som matar ut täta rutnätsfält, diskreta cyklonspår och förutsägelser på stationsnivå. Eftersom varje timprognos baseras på de senaste satellitobservationerna, säger Google att modellen kan spåra snabbt växlande väder med mycket större precision, med några av de största vinsterna i nederbörd – regn- och snöförutsägelserna som folk faktiskt planerar sina dagar runt.
Från rutnätsceller till cyklonspår
FGN:s utgångar är särskilt olika för en enda modell. Bortom rutnät sänder den ut diskreta cyklonspår och glesa koordinater på stationsnivå som förstklassiga förutsägelser snarare än efterbehandlade tillägg. Det är viktigt för prognosmakare som övervakar orkaner och tyfoner, där spårfel direkt leder till evakueringsbeslut. Googles tidigare WeatherNext-generation uppmärksammades i augusti för ett genombrott inom prognos för tropiska cykloner, och den nya arkitekturen utökar den arbetslinjen.
Där prognoserna kommer att visas
Google lanserar WeatherNext 3 i Search, Gemini, Maps, Google Maps Platform och Cloud. Företaget lyfte också fram två tillägg riktade till professionella användare: skarpare nederbördsprognoser och nya variabler för ren energi, uteffekter utformade för sektorn för förnybar energi där vind- och solcellsoperatörer planerar runt atmosfäriska skift varje timme.
Företag kan integrera prognoserna via Google Cloud, vilket positionerar WeatherNext 3 inte bara som en konsumentfunktion utan som en dataprodukt – en som jordbruksföretag, logistikföretag och nätoperatörer kan bygga på direkt.
Hur noggrannhetspåståendet mättes
Googles påstående att WeatherNext 3 är den mest exakta globala vädermodellen hittills vilar inte bara på interna tester utan på oberoende liveutvärderingar utförda av Brightband, ett väder-AI-företag som kör kontinuerliga benchmarks av prognossystem. Att bjuda in tredjepartsutvärdering håller på att bli ett mönster för Googles vetenskapsmodeller, och det tar upp en långvarig kritik mot att AI-väderpapper rapporterar resultat på kurerade historiska uppsättningar snarare än liveförhållanden.
Varför detta är viktigt utöver paraplyappen
Googles tillkännagivande ramar in vädret som en input till beslut i alla skala – från att ta ett paraply till att hantera värmeböljor och torka som krusar genom jordbruk, globala leveranskedjor, produktion av ren energi och nationella ekonomier. Under de senaste åren har AI-prognosmakare förtjänat sin plats i den pipelinen genom att generera förutsägelser snabbare än traditionella metoder samtidigt som de matchar eller slår deras noggrannhet, enligt Google.
Konkurrensbilden värms också upp. Både meteorologiska byråer och teknikföretag har levererat AI-prognossystem de senaste åren, och satellitbaserade prognoser per timme höjer ribban för dem alla. Frågan för nästa år är om nationella vädertjänster börjar behandla modeller som WeatherNext 3 som primära källor snarare än experimentella tillägg – och om Googles timkadens blir branschens nya baslinje.
---
Stay ahead of AIFå de senaste AI-nyheterna, analyserna och genombrotten – allt på ett ställe.
Läs mer AI-nyheter →
