WeatherNext 3 — это последняя волна кардинальных изменений в метеорологии, вызванных методами глубокого обучения. Google утверждает, что эта модель начнет использоваться для предоставления информации о погоде в Поиске, Google Картах и Gemini, а также будет доступна пользователям и исследователям на облачных платформах Google.
«Это будет первый раз, когда некоторые из основных переменных будут использоваться для питания многих продуктов Google», — заявил TechCrunch Самиер Мерчант, старший инженер Google.
Новая модель уже показала себя как самая точная среди ведущих конкурентов, протестированных на Operational WeatherBench — инструменте для сравнения прогнозов ИИ, созданном стартапом Brightband. Он оценивает такие показатели, как температура, скорость ветра и влажность.
Помимо превосходства над другими моделями глубокого обучения, разработанными Google, Microsoft, Nvidia и Европейским центром среднесрочных погодных прогнозов (ECMWF), она также превосходит традиционные прогнозы Национальной метеорологической службы США и ECMWF.
Большинство прогнозов погоды поступает с государственных суперкомпьютеров, которые трудоемко обрабатывают математические уравнения, описывающие физику погоды. Хотя эти системы стали удивительно точными, они дороги и относительно медленны. После того как ECMWF в 2018 году опубликовал более чем полувековые данные о погоде, полученные этими системами, исследователи глубокого обучения начали обучать модели, которые могли бы делать прогнозы гораздо быстрее и с сопоставимой точностью по сравнению с государственными инструментами.
«Погода хаотична, поэтому небольшие различия могут привести к огромным возмущениям… Машинное обучение нацелено на решение проблемы, которую мы действительно решаем, — аппроксимацию шумной физики на основе неполной информации и ограниченных вычислительных ресурсов, поэтому оно изучает закономерности из большого объема данных», — сказал Ферран Алет, руководитель исследовательской группы в DeepMind.
С тех пор разработчики моделей работали над устранением ключевых недостатков моделей прогнозирования ИИ: они склонны прогнозировать на более широкой территории — от 15 до 25 квадратных километров — чем это действительно полезно, они не всегда хорошо справляются с прогнозированием дождя, и они по-прежнему зависят от отформатированных наборов данных, производимых государственными учреждениями.
WeatherNext 3 решает все три эти задачи. По ключевым переменным, как сообщили исследователи TechCrunch, модель может прогнозировать с разрешением до 5 км. Ее показатели прогнозирования дождя улучшились на 60% по сравнению с WeatherNext 2, и теперь она может создавать почасовые прогнозы вместо стандартного прогноза каждые шесть часов.
Эти улучшения являются результатом конкретных решений, принятых разработчиками. WeatherNext 3 — это более крупная модель, содержащая в 2,4 раза больше параметров, чем ее предшественница, и с адаптированными целями для декодирующих головок, чтобы давать более полезные ответы. В то время как большинство прогнозов погоды выдаются в виде усредненных метрик по 3D-сетке, исследователи DeepMind уже получили признание, настроив свою модель для визуализации траекторий циклонов.
В этот раз разработчики также обучили модель нацеливать свои прогнозы на конкретные метеостанции. Это важно не только для предоставления более детальных прогнозов, но и для возможности оценивать свою работу на основе конкретных, достоверных данных.
«Идея многих приложений ИИ заключается в том, чтобы выполнять задачи максимально комплексно, — сказал Дэниел Ротенберг, ученый-атмосферщик из Brightband. — Добавление возможности, когда эта модель теперь также прогнозирует, скажем, что измерит метеостанция аэропорта Денвера на почасовой основе, просто приближает эту задачу прогнозирования к ядру».
Модель способна прогнозировать чаще, поскольку она может обрабатывать спутниковые данные о погоде, собранные в режиме реального времени на почасовой основе. Подача данных в модели ИИ на основе необработанных эмпирических наблюдений, а не анализа, произведенного метеорологическими суперкомпьютерами, обещает более точный прогноз, но получение моделей для работы с неформатированными данными по-прежнему является технически сложной задачей.
Google утверждает, что WeatherNext 3 является «первой» моделью ИИ, которая напрямую использует необработанные наблюдения для глобального прогноза с высоким разрешением, однако стартап в области ИИ-прогнозирования погоды WindBorne заявляет, что его модель WeatherMesh 6 использует необработанные наблюдения с парка метеозондов и других источников с конца 2025 года. Отвечая на это, Google отметил, что их прогнозы имеют более высокое разрешение по всему миру. Тем не менее, обе модели по-прежнему полагаются на национальные метеорологические наборы данных для выполнения прогнозов, поэтому для истинной прямой ассимиляции данных потребуется дополнительная работа.
Хотя большие языковые модели (LLM) привлекают основное внимание, революция трансформеров в метеорологии была не менее важна. Европейские и американские метеорологические агентства уже используют модели ИИ в своих прогнозных продуктах, а их скорость и низкая стоимость обещают экономический эффект для более бедных регионов, где стоимость высококачественных датчиков и суперкомпьютеров делала точные прогнозы недоступными.
Билл Гейтс недавно назвал прогнозирование погоды с помощью ИИ одним из ключевых преимуществ этой технологии, поскольку улучшенные прогнозы повышают урожайность в развивающихся странах. Алет, исследователь DeepMind, отметил, что прогнозы ветра, дождя и облачного покрова с более высоким разрешением будут полезны для повышения надежности проектов возобновляемой энергетики.
«В конечном счете, я думаю, Google стремится предоставлять пользователям полезную информацию, и многое из того, что ищут пользователи, так или иначе связано с погодой», — сказал Алет.
Всегда имейте в виду, что редакции могут придерживаться предвзятых взглядов в освещении новостей.
Автор – Tim Fernholz
