Прорыв в прогнозировании циклонов: DeepMind открывает исходный код модели WeatherNext
Модель искусственного интеллекта WeatherNext позволяет предсказывать появление циклонов на сутки раньше. Технология переходит в открытый доступ для всего научного сообщества.
Google DeepMind совершила важный шаг в развитии метеорологических систем на базе искусственного интеллекта. Компания представила модель WeatherNext, которая позволяет прогнозировать траекторию и силу циклонов с беспрецедентной точностью, обеспечивая метеорологам и спасательным службам дополнительный день для подготовки. Что еще более важно, разработчики приняли решение открыть исходный код (open source) этой модели.
Дополнительные 24 часа в контексте стихийных бедствий — это критический ресурс. Это время, необходимое для организации безопасной эвакуации населения, укрепления инфраструктуры и распределения ресурсов экстренных служб. Переход технологии в открытый доступ означает, что метеорологические институты по всему миру смогут интегрировать этот инструмент в свои локальные системы предупреждения.
Diagram showing the WeatherNext cyclone forecasting pipeline, illustrating a forecasted storm track with wind intensity circles over four days, alongside ensemble-based probability maps for tropical storm, severe tropical storm, and Category 1 cyclone winds.
Разработка WeatherNext не появилась на пустом месте. Это результат последовательной эволюции погодных ИИ-моделей от Google. Фундамент был заложен в ноябре 2023 года с выпуском системы GraphCast, которая продемонстрировала способность глобального прогнозирования погоды быстрее и точнее традиционных методов. В декабре 2024 года появилась модель GenCast, сфокусированная на оценке рисков экстремальных погодных условий. WeatherNext стала следующим логическим этапом, специализирующимся на самых разрушительных природных явлениях.
Практическая польза таких систем уже подтверждается на реальных примерах. В частности, технологии линейки WeatherNext помогают национальным центрам по наблюдению за ураганами точнее предсказывать исторические выходы стихии на сушу, как это моделировалось на примере урагана Мелисса. Искусственный интеллект анализирует огромные массивы исторических данных и текущих спутниковых снимков, находя сложные нелинейные зависимости, которые могут упускать классические физические модели атмосферы.
Diagram showing the WeatherNext cyclone forecasting pipeline, illustrating a forecasted storm track with wind intensity circles over four days, alongside ensemble-based probability maps for tropical storm, severe tropical storm, and Category 1 cyclone winds.
Для индустрии это означает постепенный отказ от исключительной зависимости от суперкомпьютеров, решающих сложные уравнения гидродинамики. ИИ-модели требуют значительных вычислительных мощностей на этапе обучения, но сам процесс генерации прогноза (инференс) происходит за считанные минуты и требует гораздо меньше ресурсов. Это демократизирует доступ к высокоточным прогнозам.
В перспективе мы увидим гибридный подход. Традиционные численные модели прогнозирования погоды будут работать в тандеме с нейросетевыми решениями вроде WeatherNext. Открытие исходного кода ускорит этот процесс, позволив независимым исследователям улучшать архитектуру модели и адаптировать ее для специфических климатических зон.
Three line graphs comparing track, intensity, and wind extent forecasting errors over a five-day period. Across all three metrics, the WeatherNext Cyclones model (represented by the lowest blue line) consistently maintains the lowest error rates, with horizontal arrows highlighting a roughly one-day advantage in predictive accuracy over other models.
Three line graphs comparing track, intensity, and wind extent forecasting errors over a five-day period. Across all three metrics, the WeatherNext Cyclones model (represented by the lowest blue line) consistently maintains the lowest error rates, with horizontal arrows highlighting a roughly one-day advantage in predictive accuracy over other models.
Two graphs comparing annual 3-day cyclone forecasting errors. Graph A shows WeatherNext Cyclones (blue) achieving a significantly lower position error (around 100 km) than ENS (yellow) from 2023 to 2025. Graph B shows WeatherNext Cyclones achieving a lower intensity error (around 11 kt) than HWRF (red) for the same period.
Two graphs comparing annual 3-day cyclone forecasting errors. Graph A shows WeatherNext Cyclones (blue) achieving a significantly lower position error (around 100 km) than ENS (yellow) from 2023 to 2025. Graph B shows WeatherNext Cyclones achieving a lower intensity error (around 11 kt) than HWRF (red) for the same period.
Stylized map showing a forecasted cyclone track over the southeastern United States, with concentric yellow and orange circles indicating storm path and intensity.
Изображение из источника
Изображение из источника
Изображение из источника
TL;DR
Главное
ИИ-модель WeatherNext дает дополнительный день для подготовки к циклонам и теперь доступна с открытым исходным кодом, что демократизирует доступ к высокоточной метеорологии.
Ключевые факты
- /Обеспечивает дополнительные 24 часа предупреждения о циклонах.
- /Модель переведена в формат открытого исходного кода (open source).
- /Является развитием предыдущих систем GraphCast (2023) и GenCast (2024).
Инсайт
Главное преимущество ИИ в метеорологии заключается не только в повышении точности, но и в радикальном снижении вычислительных затрат на этапе создания самого прогноза.
