Google Research och Google DeepMind har släppt WeatherNext 3, den senaste versionen av företagets AI väderprognossystem och, enligt Googles konto, dess mest exakta globala prognosmodell hittills. Tillkännagav den 3 september, systemet kommer att börja mata in väderinformation till Sök, Google Maps och Tvillingarna och är tillgängligt för företag och forskare via Googles molnplattformar.

Till skillnad från de statliga superdatorerna som har producerat de flesta av världens prognoser i decennier, är WeatherNext 3 en modell för djupinlärning: den lär sig mönster direkt från observationer snarare än att steg-för-steg lösa ekvationerna för atmosfärsfysik. Google säger också att det är den första AI-modellen som integrerar obearbetade satellitobservationer direkt i en högupplöst global prognos - ett påstående som minst en konkurrent bestrider. Här är vad som förändrades och varför prognosmakare långt bortom Google följer den senaste AI-utvecklingen på detta område noggrant.

Hur AI slog sönder väderprognoserna

Traditionella prognoser kommer från nationella myndigheter som US National Weather Service och European Center for Medium-Range Weather Forecasts (ECMWF), vars superdatorer går igenom matematiska ekvationer som beskriver atmosfärens fysik. Dessa system är anmärkningsvärt exakta men dyra och jämförelsevis långsamma.

Alternativet för djupinlärning tog fart efter att ECMWF släppte mer än ett halvt sekel av arkiverade väderdata 2018, vilket gav forskare exakt den typ av träning som korpusneurala nätverk trivs med. "Vädret är kaotiskt, och så små skillnader börjar verkligen störa enormt," berättade Ferran Alet, en forskarchef på DeepMind, till TechCrunch. "Maskininlärning riktar sig mot det problem vi verkligen löser, vilket är ungefärlig bullrig fysik från ofullständig information och ändlig beräkning, och så lär den sig mönster från mycket data."

Skarpare, snabbare och mycket mer frekvent

WeatherNext 3 är en större modell än sin föregångare — 2,4 gånger fler parametrar — och den toppar nu Brightbands Operational WeatherBench, ett oberoende riktmärke som jämför AI-prognossystem på temperatur, vindhastighet och luftfuktighet. Enligt TechCrunch överträffar den rivaliserande djupinlärningsmodeller från Google, Microsoft, Nvidia och ECMWF, och slår de traditionella numeriska prognoserna som producerats av US National Weather Service och ECMWF själva.

De praktiska vinsterna är betydande:

  • Upplösning ner till 5 km för nyckelvariabler, där de flesta AI-modeller prognostiserar över områden på 15 till 25 km. Avkodaren rapporterar att modellen är fem gånger mer detaljerad än WeatherNext 2.
  • Regnprognosen förbättrades med 60 procent jämfört med WeatherNext 2 på Googles utvärderingar, och 9to5Google citerar 50 procent mer exakta nederbördsprognoser för Googles egna produkter.
  • Timprognoser istället för den vanliga sextimmarskadensen, eftersom modellen kan ta emot satellitobservationer som samlas in i realtid varje timme.
  • Inriktning på stationsnivå, vilket innebär att modellen förutsäger vad specifika väderstationer - inte bara rutor - kommer att mäta.

"Tanken, med många AI-applikationer, är att försöka köra uppgifter så från början som möjligt", säger Daniel Rothenberg, en atmosfärsforskare på Brightband, till TechCrunch. "Att lägga till en kapacitet där den här modellen nu också förutsäger, säg, vad Denvers flygplats väderstation kommer att mäta på timbasis, kopplar bara den prognosuppgiften närmare kärnan."

The Raw Satellite Data Dispute

Googles anspråk på en första vilar lika mycket på data-VVS som modellarkitektur. De flesta AI-prognosmakare tränar och initialiserar fortfarande på formaterade analysdatauppsättningar som produceras av statliga vädermyndigheter. WeatherNext 3 tar in råa satellitobservationer direkt, varje timme – närmare, hävdar Google, sann dataassimilering.

AI väderstartföretaget WindBorne motarbetar att dess egen WeatherMesh 6-modell har införlivat råa observationer från sin väderballongflotta och andra källor sedan slutet av 2025. På frågan om tvisten pekade Google på den globala lösningen av sina prognoser. Båda företagen, noterar TechCrunch, lutar sig fortfarande mot nationella datauppsättningar för delar av pipelinen, så fullständig direkt assimilering förblir ett pågående arbete för hela fältet.

Där användarna kommer att se det

"Det här kommer att bli första gången som några av kärnvariablerna matar och driver många av Googles produkter," sa Samier Merchant, en senior personalingenjör på Google, till TechCrunch. Väderinformation i Sök, Google Maps och Gemini kommer att dra nytta av WeatherNext 3-utdata, och sätta AI-genererade prognoser inför miljarder användare – av vilka många aldrig kommer att känna till modellen bakom dem.

Varför det är viktigt bortom appen

Ekonomin är den största historien. AI-prognoser är snabba och billiga att producera jämfört med superdatorensembler, vilket gör att användbara prognoser är inom räckhåll för regioner som aldrig har haft råd. The Decoder rapporterar att delar av Afrika, Latinamerika och Asien-Stillahavsområdet som saknar korrekta prognoser borde se de största vinsterna. Bill Gates har nämnt AI-väderprognoser som en konkret utvecklingsfördel, med bättre prognoser som förbättrar skörden i utvecklingsländer, och Alet noterar att vind-, regn- och molnprognoser med högre upplösning kan göra projekt för förnybar energi mer pålitliga.

Meteorologiska myndigheter i Europa och USA håller redan på att vika in AI-modeller i sina operativa produkter. Med WeatherNext 3 har transformatorrevolutionen som omformade språket i tysthet blivit motorn i vardagsvädret.

Ligg före AI

AI-forskningen går snabbt. Få den senaste AI-utvecklingen på ett ställe.

Läs mer AI-nyheter →