Ваш купон на скидку:
WeatherNext 3 — это очередной шаг в том самом сдвиге, который глубокое обучение приносит в метеорологию, и Google заявляет, что начнет использовать его для погодной информации, которую пользователи видят в Search, Google Maps и Gemini, а также сделает модель доступной пользователям и исследователям на облачных платформах компании. «Это будет первый раз, когда некоторые из ключевых переменных будут поступать и питать сразу множество продуктов Google», — рассказал TechCrunch старший инженер Google Samier Merchant.
Новая модель уже показала себя самой точной среди ведущих конкурентов в тестах Operational WeatherBench — инструменте для сравнения прогнозов ИИ, созданном стартапом Brightband. Он оценивает такие показатели, как температура, скорость ветра и влажность. WeatherNext 3 обошла не только другие модели глубокого обучения, созданные Google, Microsoft, Nvidia и Европейским центром среднесрочных прогнозов погоды (ECMWF), но и традиционные прогнозы Национальной метеослужбы США и ECMWF. Большинство прогнозов погоды по-прежнему строятся на государственных суперкомпьютерах, которые кропотливо обрабатывают математические уравнения, описывающие физику погоды; хотя эти системы стали удивительно точными, они дороги и сравнительно медленны.
После того как ECMWF в 2018 году опубликовал более чем полувековой массив погодных данных, полученных такими системами, исследователи в области глубокого обучения начали обучать модели, которые могли бы делать прогнозы намного быстрее и с сопоставимой точностью по сравнению с государственными инструментами. «Погода хаотична, и поэтому небольшие различия начинают очень сильно возмущать систему… Машинное обучение нацелено на задачу, которую мы действительно решаем: это приближенная шумная физика на основе неполной информации и ограниченных вычислений, и поэтому оно учится закономерностям на большом объеме данных», — сказал Ferran Alet, руководитель группы научных исследований в DeepMind.
С тех пор разработчики моделей пытались решить ключевые слабые места ИИ-прогнозов: они обычно прогнозируют на более широкой территории — от 15 до 25 кв. км — чем это действительно полезно, не всегда хорошо справляются с осадками и по-прежнему зависят от структурированных наборов данных, подготовленных государственными агентствами. WeatherNext 3 решает все три проблемы. По ключевым переменным, как рассказали исследователи TechCrunch, она может прогнозировать с разрешением до 5 км. Показатели по дождю у нее улучшены на 60% по сравнению с WeatherNext 2, а теперь она может выдавать почасовые прогнозы вместо стандартного обновления раз в шесть часов.
Эти улучшения стали результатом конкретных решений, принятых разработчиками. WeatherNext 3 — более крупная модель, у нее в 2,4 раза больше параметров, чем у предшественника, а цели для decoder heads были настроены так, чтобы давать более полезные ответы. Хотя большинство погодных прогнозов выводит показатели, усредненные по 3D-сетке, исследователи DeepMind уже получили признание за то, что настроили свою модель также на визуализацию траекторий циклонов. На этот раз разработчики дополнительно обучили модель ориентировать прогнозы на конкретные метеостанции. Это важно не только для более детализированных прогнозов, но и для того, чтобы можно было оценивать работу модели по конкретным эталонным данным. «Идея многих приложений ИИ состоит в том, чтобы стараться выполнять задачи максимально end-to-end, от начала до конца», — сказал Daniel Rothenberg, атмосферный ученый в Brightband. «Добавление возможности, при которой модель теперь еще и предсказывает, например, что будет измерять погодная станция в аэропорту Денвера на почасовой основе, просто приближает эту задачу прогнозирования к самой сути».
Модель может прогнозировать чаще, потому что способна поглощать спутниковые погодные данные, собираемые в реальном времени на почасовой основе. Использование ИИ-моделей на основе сырых эмпирических наблюдений, а не анализа, подготовленного погодными суперкомпьютерами, обещает более точный прогноз, но технически по-прежнему сложно заставить модели работать с неотформатированными данными. Google утверждает, что WeatherNext 3 — первая ИИ-модель, которая напрямую использует сырые наблюдения для высокоразрешающего глобального прогноза, однако ИИ-стартап WindBorne говорит, что его модель WeatherMesh 6 использует сырые наблюдения из своей сети метеошаров и других источников с конца 2025 года. На это в Google ответили, что ее прогнозы имеют более высокое разрешение по всему миру. В любом случае обе модели по-прежнему опираются на национальные метеоданные для выполнения прогнозов, так что для настоящей прямой ассимиляции данных потребуется еще много работы. Хотя основное внимание обычно достается LLM, революция трансформеров в метеорологии оказалась не менее важной: европейские и американские метеоагентства уже используют ИИ-модели в своих прогнозных продуктах, а их скорость и низкая стоимость обещают дать экономический эффект в более бедных регионах, где точные прогнозы долгое время были недоступны из-за высокой цены качественных датчиков и суперкомпьютеров. Недавно Bill Gates также назвал прогнозирование погоды на базе ИИ важнейшим преимуществом технологии, отметив, что более точные прогнозы повышают урожайность в развивающихся странах. Alet из DeepMind добавил, что более детальные прогнозы ветра, дождя и облачности будут полезны для повышения надежности проектов в области возобновляемой энергетики. «В конечном счете, я думаю, что задача Google — предоставлять пользователю полезную информацию, а многое из того, что ищут пользователи, так или иначе связано с погодой», — сказал Alet.