ВВС США заключили с калифорнийским стартапом WindBorne Systems контракт с предельной стоимостью до $49 млн на поставку атмосферных измерений. Данные аэростатов WindBorne нужны военным не как экзотическая альтернатива метеостанциям, а как оперативный слой наблюдений для конкретных регионов и моментов времени — показательный кейс того, как AI-прогнозирование превращается в инфраструктурный бизнес.
Контракт не гарантирует стартапу всю сумму: ВВС оплачивают данные по мере заказов. Первые заказы уже составили $1,7 млн, сообщает TechCrunch. Военные могут запрашивать измерения в выбранных районах и в нужные интервалы, а WindBorne будет использовать выручку для расширения группировки и доработки оборудования.
WindBorne основана в 2015 году и работает из Редвуд-Сити, Калифорния. Сейчас в воздухе находится около 700 её автономных метеоаэростатов по всему миру. Они собирают показания атмосферных датчиков, которые компания продаёт заказчикам и одновременно подаёт в собственную AI-модель прогнозирования погоды. Для стартапа это крупнейший контракт из всех, в которых он участвовал.
Сооснователь и технический директор WindBorne Андрей Сушко рассказал изданию, что контракт был заключён без конкурентных торгов. По его словам, правительство пришло к выводу, что для такого способа глобального сбора данных компания была единственным поставщиком, способным удовлетворить требования конкретных операций. Формулировка важна не только для самого WindBorne: в оборонных закупках ценятся не красивые презентации модели, а способность стабильно доставлять измерения там, где они нужны.
Модель без свежих наблюдений быстро теряет ценность
Метеопрогноз традиционно строился на физическом моделировании атмосферы: суперкомпьютеры решают огромный набор уравнений, описывающих движение воздуха, влажность, температуру и другие параметры. AI-подходи ускорили расчёт: нейросеть обучается на исторических погодных массивах и выдаёт прогноз заметно быстрее. Но у такого подхода есть ограничение, знакомое любой команде, работающей с машинным обучением: качество результата зависит не только от архитектуры, но и от входных данных.
Именно поэтому данные аэростатов WindBorne представляют интерес. Компания не ограничивается обучением на архивах: она постоянно пополняет модель фактическими атмосферными измерениями. В источнике WindBorne названа одной из первых организаций, которые напрямую подают эмпирические данные в deep-learning-модель погоды. Для военных это даёт шанс сократить слепые зоны там, где наземные станции редки, спутниковой информации недостаточно или требуется наблюдение на определённой высоте.
Летом компания представила WeatherMesh 6 — актуальную версию своей прогнозной модели. WindBorne утверждает, что она точнее традиционной модели Европейского центра среднесрочных прогнозов погоды (ECMWF), основанной на физических законах. Это заявление компании, а не независимое сравнение, поэтому воспринимать его как окончательный вердикт для всей метеорологии было бы преждевременно. Сам TechCrunch подчёркивает более трезвую картину: AI- и физические прогнозы пока нужны вместе, поскольку каждый подход даёт полезную, но не идеально ровную картину.
Тренд при этом уже вполне прикладной. Появление трансформерных архитектур и публикация ECMWF крупного набора погодных данных сделали метеорологию одной из наиболее продуктивных областей для глубокого обучения. Свои модели развивают технологические компании и государственные структуры. Например, инструменты Google DeepMind для прогнозирования циклонов всё активнее используются в американской системе реагирования на сезон ураганов.
Аэростат как управляемый датчик
У WindBorne нет двигателя, но это не означает, что её аппараты пассивно дрейфуют. Компания меняет высоту аэростата, стравливает воздух или сбрасывает песок-балласт, чтобы попасть в воздушные потоки с нужным направлением. В августе WindBorne стала первой организацией, отправившей безмоторную систему для сбора данных в глаз тайфуна. Такая операция требует сразу двух вещей: точной модели ветров и достаточно большой группировки, чтобы нужные аппараты уже находились поблизости.
Здесь AI выступает не только как генератор прогноза для пользователя, но и как часть контура управления физической сетью датчиков. Модель подсказывает, в какие ветровые слои вывести аэростат; собранные им измерения затем улучшают следующие расчёты. Для разработчиков это наглядный пример замкнутой MLOps-системы, где ценность создаёт связка модели, данных, железа и операционного процесса, а не один удачный бенчмарк.
Для бизнеса контракт ВВС США снижает главный риск климатических и инфраструктурных AI-стартапов — вопрос, кто заплатит за дорогой постоянный сбор данных. В августе CEO WindBorne Джон Дин сообщил о привлечении $37 млн в раунде Series B на масштабирование. Теперь у компании есть ещё и крупный заказчик с повторяющимися потребностями. Однако потолок в $49 млн останется именно потолком, пока ВВС не конвертируют его в реальные заказы.
История WindBorne показывает, что рынок AI-погоды движется от соревнования моделей к борьбе за наблюдательную инфраструктуру. Если данные аэростатов WindBorne действительно окажутся полезны в регулярных военных операциях, похожие сети датчиков могут стать таким же стратегическим активом, как вычислительные мощности и закрытые датасеты. Детали контракта и комментарий CTO доступны в материале .