Google обновила WeatherNext до версии 3: AI-прогноз погоды теперь использует часть сырых спутниковых данных и может обновляться каждый час, а не ждать шестичасовых глобальных слепков атмосферы. Для IT-аудитории это не история про зонтик в телефоне, а показательный кейс: ML-модели начинают забирать у классических суперкомпьютерных систем не только витринные сценарии, но и тяжелую инженерную работу с физическим миром.
О релизе сообщает Ars Technica со ссылкой на white paper команды Google. WeatherNext 3 уже стал источником погодных прогнозов в сервисах Google, включая Search, Gemini и Maps. Главная перемена в новой версии — модель перестала полагаться только на так называемые reanalysis-данные и начала напрямую получать больше информации из погодных спутников. Это сокращает задержку между реальным состоянием атмосферы и моментом, когда модель строит новый прогноз.
Чтобы понять, почему это важно, нужно разобрать старую схему. Большинство AI-моделей погоды обучались и работали на reanalysis — глобальных наборах данных, где наблюдения с метеостанций, спутников, буев и других источников уже сведены в единую картину атмосферы. Это удобно для машинного обучения: на входе аккуратная сетка, на выходе такая же сетка с прогнозом. Но у удобства есть цена. Часть деталей теряется при сведении данных, а такие глобальные «снимки» обычно появляются раз в шесть часов.
Классические численные модели давно используют больше сырых наблюдений, потому что им нужно как можно точнее задать начальное состояние атмосферы, а дальше прогнать физические уравнения вперед. WeatherNext 3 делает шаг в ту же сторону, хотя остается ML-моделью, а не физическим симулятором в привычном смысле. Google добавила спутниковые данные, повысила пространственное разрешение и увеличила размер модели. Чтобы рост модели не съел главное преимущество AI-подхода — меньшую вычислительную стоимость, — команде пришлось оптимизировать процесс запуска.
В Google утверждают, что новая версия примерно на 5% точнее предыдущей при прогнозировании условий в верхних слоях атмосферы. По оценке команды, это эквивалентно примерно шести дополнительным часам полезной дальности прогноза. Для метеорологии такая прибавка выглядит скромно только на слайде: в реальных продуктах шесть часов могут означать более раннее предупреждение о шторме, ливне или опасной жаре. Особенно если прогноз обновляется чаще и быстрее попадает в потребительские сервисы.
Отдельно Google доработала локальные прогнозы температуры у поверхности и точки росы. Здесь WeatherNext 3 добавляет к ML-подходу немного физического контекста: модель учитывает, находится ли выбранная точка на суше или в океане, а также высоту поверхности. Затем она использует исторические данные метеостанций, размеченные с учетом этих параметров. По данным white paper, такой прием улучшил точность прогноза поверхностной температуры до 30% в отдельных сценариях.
Для осадков Google пошла еще одним путем: добавила отдельную ML-модель, обученную на спутниковых оценках осадков. В результате у системы появляется несколько вариантов прогноза осадков, а не единственная карта «как будет». Это ближе к тому, как индустрия работает с неопределенностью: погода не превращается в бинарный ответ, зато продукт может честнее показывать диапазон вероятных исходов. Для разработчиков погодных, логистических, агротех- и страховых сервисов такой подход интереснее красивой цифры точности: важна не только средняя ошибка, но и форма неопределенности.
При этом WeatherNext 3 не стала магической коробкой без странностей. В сравнении с WeatherNext 2 и AI-моделью Европейского центра среднесрочных прогнозов погоды у новой версии Google есть неожиданный провал: для ряда переменных она хуже конкурентов на горизонте первых шести часов, а затем выходит вперед на оставшейся части 15-дневного прогноза. В paper не объясняется, почему так происходит. Есть и визуальные артефакты: на некоторых картах осадков видна форма сетки модели, из-за чего пятна выглядят подозрительно шестиугольными. А наборы вариантов температуры иногда сдвигают глобальную среднюю температуру вверх или вниз, хотя в идеале локальные отклонения должны компенсироваться.
Рынок здесь движется в понятную сторону: AI-прогноз погоды ценен не потому, что «нейросеть угадывает облака», а потому что похожее качество можно получить дешевле и чаще, чем на традиционных суперкомпьютерных расчетах. Это меняет экономику продукта. Если прогноз можно запускать чаще, его проще встроить в поиск, карты, голосовые ассистенты, корпоративные панели риска, системы доставки, планирование выездных работ и энергетические сценарии. Для бизнеса это не абстрактная «погода в приложении», а слой данных, который влияет на маршруты, SLA, спрос, безопасность персонала и стоимость ошибок.
Главный вопрос теперь не в том, заменят ли AI-модели классическую метеорологию одним эффектным релизом. Не заменят: физические модели, наблюдательные сети и экспертная проверка остаются фундаментом. Интереснее другое — как быстро гибридный подход, где ML берет на себя быстрый прогноз и работу с низколатентными наблюдениями, станет нормой для массовых сервисов. Подробности о WeatherNext 3 и ссылку на white paper можно найти в материале .