Google DeepMind har publicerat peer-reviewed resultat som visar att dess WeatherNext AI-vädermodell uppnår toppmodern noggrannhet i att förutsäga tropiska cykloner, och får i genomsnitt en hel dag eller mer av prediktiv ledtid över ledande operativa prognossystem. Forskningen publicerades i tidskriften Nature den 6 augusti 2026, och Google öppnar upp modellerna tillsammans med publikationen.

Genombrottet kommer i ett ögonblick av intensifierad AI-branschens täckning, där artificiell intelligens i allt högre grad används för att lösa vetenskapliga och offentliga säkerhetsproblem med hög insats. Tropiska cykloner har orsakat mer än 700 000 dödsfall och 1,4 biljoner dollar i ekonomiska förluster under de senaste 50 åren, enligt siffror som citeras i DeepMind-meddelandet, vilket gör till och med blygsamma vinster i prognostiserad ledtid till följd av evakuering och katastrofinsatser.

En dag med ledtid komprimerad till ett system

Rubrikresultatet är ledtid. På cykloner från 2023 till 2025 ger WeatherNexts spår-, intensitets- och vindstrukturförutsägelser i genomsnitt en dag eller mer fördelar jämfört med ledande operativa modeller. Rent praktiskt matchar dess tredagarsprognos vad tidigare system levererade efter två dagar. Forskarna beskriver förbättringen som jämförbar med ungefär ett decennium av operativa meteorologiska framsteg komprimerade till ett enda AI-system.

Inom cyklonprognoser, där evakueringsorder, försörjningsinställning och nöddeklarationer beror på timmar, är den marginalen det mått som betyder mest. Tidningen introducerar WeatherNext Cyclones, en AI-modell som producerar ensembleprognoser för en tropisk cyklons spår, intensitet och storlek upp till 15 dagar ut.

Hur modellen fungerar

Träningsdatan kombinerade global atmosfärisk analys med IBTrACS-databasen med nästan 5 000 historiska stormar. Modellen använder Functional Generative Networks för att producera sannolikhetsfördelningar snarare än enpunktsprognoser, och den skalas till 1 000-medlemsensembler - tjugo gånger 50-medlemskörningarna av det tidigare systemet. Större ensembler fångar bättre sällsynta men högkonsekvenshändelser som snabb intensifiering, det farliga fenomenet där en storms vindhastigheter plötsligt stiger.

En upptäckt sticker ut för vad den utmanar. Hög rumslig upplösning har länge ansetts vara priset för korrekta intensitetsprognoser. WeatherNext Cyclones körs på 28 gånger 28 kilometer ingångar, ungefär 100 gånger grövre än traditionella regionala modeller, och en kompakt variant som kallas WeatherNext 2-mini fungerar på 111 gånger 111 kilometer och presterar fortfarande bra. Tidningen konstaterar att hög upplösning inte är en strikt förutsättning för den senaste intensitetsprognosen, och forskarna flaggar som en öppen fråga hur modellen extraherar intensitetssignal från grövre data.

Testad under orkansäsongen 2025

Utvärderingen var inte enbart retrospektiv. Under den atlantiska orkansäsongen 2025 körde modellen tillsammans med National Hurricane Centers operativa arbetsflöde och hjälpte prognosmakare att förutse orkanen Melissas snabba intensifiering och landfall i Jamaica tillräckligt långt i förväg för att stödja en tidig varning. NHC:s verifieringsrapport för 2025 dokumenterar säsongens prognosprestanda. I år genererar systemet 1 000 möjliga scenarier per cyklon för att stödja prognosmakares beslutsfattande.

Arbetet var ett samarbete mellan Google DeepMind och Google Research-forskare och operativa prognosmakare vid National Hurricane Center, Cooperative Institute for Research in the Atmosphere (CIRA) och UK Met Office, av vilka flera är medförfattare till Nature-tidningen.

Tre varianter med öppen källkod släpptes

Utgåvan med öppen källkod täcker tre modellvarianter:

  • WeatherNext Cyclones — versionen som gick under orkansäsongen 2025 och vars resultat visas i tidningen
  • WeatherNext 2 — den senare uppdateringen som Google tog i bruk i oktober 2025
  • WeatherNext 2-mini — en kompakt version som körs på en enda TPU i en kostnadsfri Google Colab-anteckningsbok

Kod och vikter för alla tre finns på GitHub. En enda 15-dagarsprognos tar mindre än en minut på en TPU, vilket innebär att begränsningen för adoption nu är expertis och integration, inte dator.

Prognoser går även att utforska på Weather Lab, som Google har utökat från cyklonspårning till fullständiga globala prognoser som täcker temperatur, nederbörd och vindhastighet. Både modellerna och Weather Lab ingår i Google Earth AI, företagets paraplysatsning för att tillämpa maskininlärning på klimat- och geospatiala utmaningar.

Varför det är viktigt

Resultatet förstärker en bredare trend: AI-baserade vädermodeller går från forskningsdemonstrationer till operativa verktyg snabbare än vad många meteorologer förväntade sig. Genom att öppna vikterna och publicera i en topptidskrift positionerar Google WeatherNext som ett referenssystem som nationella meteorologiska myndigheter och forskare över hela världen kan bygga vidare på.

För samhällen i cyklonutsatta regioner kan en extra dag av varning vara skillnaden mellan en ordnad evakuering och en kaotisk. När AI-vädermodeller fortsätter att mogna, ändras konkurrensfrågan från enbart noggrannhet till vem som snabbast kan omsätta prognoser till handling.

Ligg före AI

För mer om hur artificiell intelligens förändrar vetenskap, infrastruktur och vardag, följ vår brytande AI-nyheter bevakning. Vi spårar forskningen, företagen och policyerna som formar fältet i realtid.

Läs mer AI-nyheter →