Google DeepMind avslöjade sin nya AI-vädermodell, WeatherNext 2, den 17 november, vilket markerar ett betydande steg i globala prognoser.
Systemet använder en ny metod som kallas Functional Generative Network (FGN) för att skapa förutsägelser åtta gånger snabbare och med större detaljer än sin föregångare. Genombrottet förbättrar prognoser för komplexa händelser som orkaner genom att generera hundratals möjliga scenarier på några minuter.
Google ger nu åtkomst till modellens data via sina molnplattformar. Denna åtgärd syftar till att påskynda forskningen och förbättra allmänhetens säkerhet när AI blir mer centralt för vädervetenskap, även när offentliga datakällor står inför osäkerhet.
A Faster, More Accurate Architecture.jpg> Prognoser
Hjärtat i WeatherNext 2 är en ny arkitektur som beskrivs i nyare forskning. Till skillnad från sin föregångare GenCast, som använde ett diffusionsbaserat tillvägagångssätt, är WeatherNext 2 byggt på ett så kallat Functional Generative Network.
Denna FGN-metod injicerar noggrant strukturerat”brus”direkt i modellens parametrar. Det gör att systemet kan generera en stor ensemble av fysiskt realistiska och sammanhängande väderscenarier från en enda utgångspunkt.
Varje förutsägelse tar mindre än en minut på en enda TPU, en uppgift som skulle kräva timmar på en traditionell superdator.
Denna effektivitet sker inte på bekostnad av noggrannhet. Enligt Googles utvärderingar överträffar WeatherNext 2 den tidigare toppmoderna modellen, GenCast, på 99,9 % av alla variabler och prognostiserade ledtider. Den nya modellen visar en genomsnittlig förbättring på 6,5 % i noggrannhet mätt med Continuous Ranking Probability Score (CRPS), ett nyckelmått för probabilistiska prognoser.
Den erbjuder också högre tidsupplösning, med förutsägelser tillgängliga med 6-timmarsintervaller och experimentella möjligheter för 1-timmes tidssteg, för att ge mer detaljerade beslutsunderlag i tidssteg, href=”https://developers.google.com/weathernext/guides/models”target=”_blank”>officiell modelldokumentation.
FGN-metoden är särskilt effektiv för att modellera både enskilda väderelement (“marginaler”) och deras komplexa interaktioner (“fogar”). Genom att endast träna på individuella datapunkter som temperatur eller vindhastighet, lär sig modellen den underliggande fysiken för att förutsäga storskaliga system som atmosfäriska floder och cykloner.
Men Google noterar att modellen har vissa begränsningar, inklusive potentialen för mindre visuella”bikake”-artefakter i prognoser för vissa variabler, som beskrivs i dess översikt över användningsfall och begränsningar.
[inbäddat innehåll]
Från forskningslabb till offentliga plattformar och partnerbyråer
Med utgångspunkt i sina tidigare genombrott har Google avslöjat en tydlig väderstrategi till en AI-tillämpning i världen. WeatherNext 2:s prognosdata är nu tillgänglig för forskare och utvecklare via Googles Earth Engine-och BigQuery-plattformar.
Dessutom tillåter ett nytt program för tidig åtkomst på Google Clouds Vertex AI organisationer att generera sina egna anpassade prognoser med hjälp av modellen.
Det här initiativet fortsätter att involvera en bred teknik inom en bredare trend inom området. Företag som Microsoft, Nvidia och IBM har alla utvecklat sina egna avancerade prognossystem, som Microsofts Aardvark Weather och NASA/IBM Prithvi WxC-modellen.
Som Kirstine Dale, Chief AI Officer på Met Office, noterade om den allmänna trenden,”Vi ser potentialen för en verklig stegvis förändring som vi började använda… datorer.”
Googles strategi inkluderar också direkt samarbete med viktiga statliga myndigheter. I ett landmärkepartnerskap har U.S. National Hurricane Center (NHC) integrerat en experimentell Google AI-modell i sitt operativa arbetsflöde för orkansäsongen 2025.
Detta samarbete, ett första för den federala myndigheten, kommer att sätta AI-genererad vägledning inför experter på mänskliga prognosmakare, blanda maskinvarningar för snabbare och mänskliga livsexpertisar.
The Looming Crisis: AI’s Reliance on Endangered Public Data
Medan de tekniska framstegen accelererar står hela fältet inför ett grundläggande hot. AI vädermodeller som WeatherNext 2 är tränade på årtionden av historisk data, mycket av den från offentliga arkiv som hanteras av byråer som U.S.S. National Oceanic and Atmospheric Administration (NOAA).
Dessa viktiga datakällor är nu i riskzonen på grund av föreslagna budgetnedskärningar och allvarlig personalbrist av NOAA så att den tidigare nationella direktörssituationen
blev kritisk. Weather Service (NWS) utfärdade ett öppet brev som varnade för de potentiella konsekvenserna.
“Vår värsta mardröm är att väderprognoskontoren kommer att vara så underbemannade att det kommer att finnas onödiga förluster av liv”, skrev de. Sedan början av 2025 har NWS förlorat över 550 anställda, vilket gör att vissa prognoskontor är kritiskt underbemannade precis när orkansäsongen börjar.
En före detta NHC-chef beskrev ansträngningar för att fylla lediga tjänster som att bara”blanda solstolarna på Titanic”, och tillägger:”Du fyller ett hål någonstans, och du har inte skapat data någon annanstans.”obemärkt av vetenskapssamfundet. Cambridge University-professorn Richard Turner uttryckte sin oro och sa:”Samhället har inte – överraskande, enligt min åsikt – vaknat till denna fara ännu… Jag tror att nedskärningarna är mycket farliga i en tid då klimatet verkligen förändras.”
Även om de senaste kongressåtgärderna har drivit tillbaka mot de mest allvarliga budgetnedskärningarna, vilket ger en viss lättnad, förblir dessa långsiktiga offentliga datastabiliteter.
Paradoxen är stark: när privat innovation inom väder-AI når nya höjder beror dess framgång på en offentlig datainfrastruktur som kämpar för sin överlevnad.
Det nya partnerskapet mellan Google och NHC belyser AI:s enorma potential för att rädda liv, men det visar också det akuta behovet av att skydda den öppna data som gör sådana framsteg i vädret möjliga, en central revolution i vädret.
