WeatherNext 3: как ИИ Google обгоняет классический прогноз

Google DeepMind и Google Research анонсировали WeatherNext 3 — новую версию своей нейросетевой модели прогноза погоды. Заявленное преимущество семейства WeatherNext перед классическими методами держится на одной цифре, которую в компании повторяют из релиза в релиз: полный ансамбль прогнозов машина считает за минуты на одном ускорителе TPU, тогда как физическим моделям на суперкомпьютерах на ту же задачу нужны часы. Для метеослужб, авиации и энергетики это не абстрактное ускорение, а разница между «успели предупредить» и «не успели».

Что вообще такое WeatherNext

Классический прогноз погоды — это numerical weather prediction¹: система решает уравнения гидродинамики атмосферы на сетке из миллионов точек. Точно, физически обоснованно, но дорого по вычислениям. WeatherNext идёт другим путём: модель обучается на десятилетиях архивных данных о состоянии атмосферы и учится предсказывать следующее состояние напрямую, без пошагового решения уравнений.

Линейка развивалась поэтапно. Ранние работы DeepMind в этой области — GraphCast и GenCast — показали, что нейросеть способна конкурировать по точности с моделью Европейского центра среднесрочных прогнозов (ECMWF), считающейся эталоном. WeatherNext 3 подаётся как самая продвинутая и точная версия в семействе на момент анонса.

Ключевая идея не в том, чтобы заменить физику, а в том, чтобы получать сопоставимый по качеству результат в тысячи раз дешевле по вычислениям — и потому чаще, детальнее и в большем числе сценариев.

Почему важен именно ансамбль

Погода — хаотичная система: крошечная неопределённость в начальных данных за две недели превращается в совершенно разные исходы. Поэтому современный прогноз — это не одна траектория, а ансамбль из десятков вариантов, по которому считают вероятности: «шанс дождя 70%», «вероятность урагана такой-то силы». Считать большой ансамбль классическими методами дорого. Если нейросеть выдаёт полный набор сценариев за минуты, вероятностный прогноз становится доступнее и подробнее.

Что меняется на практике

Скорость и дешевизна расчёта — это не только про удобство исследователей. Они меняют то, какие продукты можно строить поверх модели.

• Частота обновления. Прогноз можно пересчитывать чаще, реагируя на свежие наблюдения.
• Глубина ансамбля. Больше сценариев за те же ресурсы — точнее оценка вероятностей экстремальных событий.
• Локальные приложения. Энергетика (сколько даст ветропарк завтра), логистика, страхование, сельское хозяйство — все они завязаны на вероятностные прогнозы.

При этом стоит держать в голове границу применимости. Нейросетевые модели учатся на исторических данных, и с редкими, невиданными ранее экстремумами у них принципиально сложнее, чем с типичной погодой. Классическая физическая модель такой ограниченности лишена, потому что опирается на уравнения, а не на прецеденты. Поэтому индустрия пока говорит не о замене NWP, а о связке двух подходов.

Как это встроено в экосистему Google

Google предоставляет данные и прогнозы WeatherNext через свои облачные и исследовательские каналы — в частности, через платформы для работы с данными и научными вычислениями. Конкретный набор доступов, форматы и условия использования стоит смотреть в официальном анонсе и документации Google: детали интеграции меняются от версии к версии, и подставлять их «по памяти» здесь неуместно.

Google против ECMWF и NVIDIA

Google не одинок. ИИ-прогноз погоды стал полем открытой гонки.

Общий тренд: физические центры вроде ECMWF сами внедряют машинное обучение, а ИИ-компании сверяют качество своих моделей именно с их прогнозами. Так что «ИИ против физики» — упрощение. Реальная картина — конвергенция.

Кому стоит следить за этим

Если вы просто смотрите погоду в телефоне, смена модели у поставщика данных пройдёт мимо вас — приложение продолжит показывать значок облачка. Разница проявляется на уровне тех, кто принимает решения на деньги:

1. Энергокомпании, планирующие выработку ветра и солнца.
2. Авиация и морская логистика с их окнами вылета и выхода в море.
3. Страховщики и агросектор, считающие риски экстремальной погоды.
4. Разработчики, строящие сервисы поверх погодных API.

Для всех них вопрос не «красиво ли», а «на сколько процентов снизилась ошибка прогноза и во сколько раз дешевле стало его гонять». Точные метрики точности по WeatherNext 3 (например, улучшение по конкретным переменным и горизонтам) смотрите в официальном анонсе Google — приводить их по памяти значило бы рисковать неверной цифрой.

¹ Numerical weather prediction (NWP) — численный прогноз погоды: расчёт будущего состояния атмосферы через решение физических уравнений на пространственной сетке. Основной метод современной метеорологии.