Google представила WeatherNext 3: AI-прогноз погоди оновлюється щогодини й бачить локальні деталі до 5 км

Прогноз погоди здається буденною функцією телефону, але під цією кнопкою працює одна з найважчих обчислювальних задач у прикладній науці. Класичні чисельні моделі ділять атмосферу на тривимірну сітку й крок за кроком розв’язують рівняння, що описують рух повітря, тепло, вологу та інші процеси. Для глобального прогнозу це потребує суперкомп’ютерів, складної асиміляції спостережень і постійного компромісу між швидкістю та деталізацією. AI-моделі останніх років довели, що частину цієї роботи можна виконувати інакше — навчитися на величезній історії станів атмосфери й генерувати майбутні стани значно швидше. WeatherNext 3 цікава тим, що Google намагається прибрати один із головних недоліків такого підходу: залежність від уже підготовленої, не завжди найсвіжішої “картини” атмосфери.

Попередні AI-системи часто тренувалися і запускалися на reanalysis або продуктах чисельного прогнозування, які вже об’єднали спостереження з фізичною моделлю. Це надійна база, але вона має затримку. Google пише, що для частини традиційних продуктів вона сягає приблизно шести годин, а для швидких процесів — зливи, температурних контрастів, різких змін біля узбережжя чи в горах — кілька годин можуть бути суттєвими. WeatherNext 3 отримує щогодинні мозаїки з геостаціонарних супутників разом з історичним аналізом і вчиться також безпосередньо на розріджених спостереженнях метеостанцій. На виході система може формувати новий глобальний прогноз кожну годину.

“У п’ять разів детальніше” не означає “у п’ять разів точніше”

Найпомітніша цифра в анонсі — роздільність. WeatherNext 2 працювала на глобальній сітці приблизно 25 км і видавала прогнози з шестигодинним кроком. У WeatherNext 3 ключові поверхневі змінні, зокрема температура та вологість біля землі, можуть відображатися на сітці 5 км; інші поверхневі параметри — на 10 км, а частина атмосферних змінних, наприклад вітер, — на 25 км. Тому формулювання Google про “приблизно у п’ять разів чіткішу картину” стосується насамперед просторової деталізації окремих полів, а не універсального п’ятикратного росту точності кожного прогнозу.

Ця різниця важлива. Якщо модель бачить температуру на 5-кілометровій сітці, вона краще розділяє узбережжя, долини, гірські райони та міські агломерації, які на 25-кілометровій сітці легко зливаються в усереднений “піксель”. Але висока роздільність сама по собі не гарантує правильного прогнозу. Точність перевіряють окремо за різними змінними, регіонами та часовими горизонтами. Google посилається на незалежний live-бенчмарк Operational WeatherBench від Brightband і наводить значні покращення для опадів, але цифри залежать від конкретної контрольної бази. Наприклад, для середньострокових прогнозів компанія заявляє покращення CRPS до 60% відносно IMERG, до 30% відносно MRMS і до 10% відносно наземних дощомірів на ранніх горизонтах. Це три різні порівняння, а не одна універсальна “точність WeatherNext 3”.

Саме опади є одним із найскладніших місць глобального прогнозування. Конвективні хмари й вузькі смуги сильного дощу розвиваються на масштабах, які груба глобальна сітка часто розмиває. Для навчання WeatherNext 3 Google додала дані NASA IMERG та власний глобальний precipitation reanalysis на основі супутникового радара. У прикладах компанії межі систем опадів виглядають значно чіткішими, а для користувацьких прогнозів на день і більше вперед Google заявляє до 50% вищу точність прогнозування опадів у частині сценаріїв, із найбільшим покращенням у регіонах, де прогнози історично були слабшими.

Чому Google одразу вбудовує модель у продукти, а не залишає її лабораторним експериментом

WeatherNext 3 важлива ще й способом запуску. З 3 вересня вона починає живити погодні функції в Google Search, Gemini, Google Maps, Google Maps Platform Weather API та Earth Engine. Розробники й дослідники можуть працювати з даними через BigQuery, Earth Engine або завантажувати їх із Google Cloud Storage. Це перетворює дослідницьку модель на інфраструктурний сервіс: логістична компанія може планувати маршрути, аграрний бізнес — польові роботи, а енергосистема — баланс генерації та споживання.

Окремий блок WeatherNext 3 створений саме для відновлюваної енергетики. Модель прогнозує швидкість вітру на висоті 100 метрів, близькій до висоти роботи турбін, а також хмарність і сонячне випромінювання біля поверхні. Для електромережі це не косметична деталізація. Вітрова й сонячна генерація змінюються разом із погодою, а оператору потрібно наперед розуміти, скільки енергії прийде в систему. Кращий погодний прогноз означає менше резервних потужностей “про всяк випадок”, точніше ціноутворення та простіше балансування мережі.

Є, однак, принципова межа, яку Google прямо прописує в анонсі. WeatherNext 3 не є заміною офіційним метеослужбам. Для штормових попереджень, надзвичайних погодних ситуацій та рекомендацій, від яких залежить безпека, компанія радить звертатися до місцевої метеорологічної агенції або національної служби погоди. Це не формальність: operational forecasting включає не лише “найточнішу модель”, а ансамблі різних моделей, радар, локальні спостереження, роботу синоптиків і процедури оповіщення.

Тому справжня зміна WeatherNext 3 не в тому, що AI “скасував фізику”. Фізичні моделі нікуди не зникають і продовжують давати критично важливі дані та еталони. Зміна в іншому: AI починає працювати ближче до сирих спостережень і швидше перетворювати їх на глобальний прогноз високої деталізації. Коли такий прогноз одразу потрапляє в Maps, пошук, API та енергетичні системи, експериментальна технологія стає частиною щоденної інфраструктури — і саме це робить WeatherNext 3 важливішою за чергове красиве демо нейромережі.