Osiem razy szybsze prognozy z rozdzielczością do godziny z Google WeatherNext 2
WeatherNext 2 jest, jak sama nazwa wskazuje, drugą generacją modelu przewidywania pogody od Google – w porównaniu z pierwszą wersją generuje prognozy ośmiokrotnie szybciej niż poprzednia wersja i jest w stanie osiągnąć rozdzielczość czasową rzędu jednej godziny. Najbardziej szokujące są jednak wymagania sprzętowe modelu, który do skutecznego działania potrzebuje zaledwie jednej jednostki TPU, podczas gdy tradycyjne metody obliczeniowe oparte na fizyce wymagają godzin obliczeń na superkomputerach.
Szybkość w prognozowaniu pogody to nie tylko kwestia wygody. Im więcej scenariuszy model może przeanalizować, tym lepiej radzi sobie z przewidywaniem rzadkich, ale niebezpiecznych zjawisk atmosferycznych. WeatherNext 2 generuje sześciogodzinne prognozy cztery razy dziennie, dostarczając na bieżąco danych dla służb ratunkowych, lotnictwa czy rolnictwa. Nowy model przewyższa swoją poprzednią wersję w 99,9% zmiennych pogodowych – od temperatury, przez wiatr, po wilgotność – we wszystkich okresach wyprzedzenia od zera do 15 dni. Każda prognoza zajmuje mniej niż minutę na pojedynczej jednostce TPU, co stanowi radykalną poprawę w porównaniu z tradycyjnymi metodami.
Czytaj też: Kometa 3I/ATLAS ma wyjątkowo niejasne pochodzenie. NASA reaguje na teorię o pozaziemskiej technologii
Functional Generative Network w WeatherNext 2
Sercem WeatherNext 2 jest technologia Functional Generative Network (FGN), która wprowadza kontrolowany „szum” bezpośrednio do architektury modelu. To podejście opisane w artykule naukowym na arXiv pozwala generować prognozy pozostające fizycznie realistyczne i wzajemnie powiązane. FGN rozwiązuje kluczowy problem w prognozowaniu pogody opartym na sztucznej inteligencji – model jest trenowany na pojedynczych elementach pogodowych, takich jak temperatura w konkretnym miejscu czy prędkość wiatru na określonej wysokości, ale z tego treningu uczy się samodzielnie prognozować złożone, wzajemnie powiązane systemy pogodowe.
W praktyce oznacza to, że model potrafi identyfikować regiony zagrożone falami upałów, przewidywać moc generowaną przez farmy wiatrowe czy określać obszary narażone na intensywne opady. Wszystko to wynika z naturalnej zdolności FGN do łączenia pojedynczych zmiennych w spójne scenariusze pogodowe.
Jeśli ktoś wątpi w skuteczność, wystarczy sprawdzić prognozy cyklonów tropikalnych
Cyklony tropikalne to jedne z najbardziej niszczycielskich zjawisk pogodowych, które w ciągu ostatnich 50 lat spowodowały straty ekonomiczne przekraczające 1,4 biliona dolarów, do tego rosnąca średnia temperaratura globalna powoduje wzrost częstotliwości występowania i siły tych wirowych sztormów. Eksperymentalna wersja WeatherNext 2 dostępna w Weather Lab pokazuje, jak sztuczna inteligencja może poprawić przewidywanie tych groźnych zjawisk.
Model przewiduje formację, ścieżkę, intensywność, strukturę i rozmiar cyklonów z wyprzedzeniem do 15 dni, generując 50 możliwych scenariuszy dla każdej prognozy. Pięciodniowa prognoza ścieżki cyklonu jest średnio o 140 kilometrów bliżej rzeczywistej lokalizacji niż prognozy modelu ENS z Europejskiego Centrum Prognoz Średnioterminowych. To odpowiada poprawie o półtora dnia, której osiągnięcie tradycyjnymi metodami zazwyczaj zajmowało ponad dekadę. Jeszcze bardziej imponujące są wyniki w prognozowaniu intensywności cyklonów – WeatherNext 2 przewyższa tu system HAFS Narodowej Administracji Oceanicznej i Atmosferycznej (NOAA), który do tej pory był wiodącym regionalnym modelem opartym na fizyce.
Dr Kate Musgrave z Cooperative Institute for Research in the Atmosphere potwierdziła, że model ma porównywalne lub większe umiejętności niż najlepsze modele operacyjne w zakresie ścieżki i intensywności. Zespół badawczy czeka na potwierdzenie tych wyników z prognoz w czasie rzeczywistym podczas sezonu huraganów 2025.
Prognozy AI od Google także u ciebie na biurku
Google nie zamierza trzymać WeatherNext 2 wyłącznie w laboratorium. Dane modelu są już dostępne w Earth Engine i BigQuery dla badaczy potrzebujących surowych danych w wysokiej rozdzielczości. Firmy mogą również dołączyć do programu wczesnego dostępu na platformie Google Cloud Vertex AI, gdzie mogą dostosowywać modele do swoich specyficznych potrzeb. Także integracja z produktami konsumenckimi postępuje szybko – technologia WeatherNext pomaga tworzyć już prognozy pogody dostępne w wyszukiwarce Google, asystencie Gemini, aplikacji Pixel Weather oraz w Weather API platformy Google Maps. W nadchodzących tygodniach model zacznie również wspierać informacje pogodowe bezpośrednio w Google Maps.
Weather API dostarcza hiperlokalne prognozy aktualizowane co 15-30 minut, obejmujące warunki bieżące, prognozy dziesięciodniowe oraz historię z ostatnich 24 godzin. Od surowych danych dostępnych dla badaczy API różni się tym, że oferuje dane w niższej rozdzielczości, ale w formacie gotowym do bezproblemowej integracji z aplikacjami. Różnica między ofertami jest oczywiście celowa. Modele WeatherNext w Earth Engine i BigQuery dostarczają surowe dane prognoz w wysokiej rozdzielczości, idealne do badań naukowych, ale o niewielkiej wartości dla użytkownika końcowego. Weather API natomiast łączy modele sztucznej inteligencji z tradycyjnymi systemami prognozowania, uzupełniając mocne strony obu podejść i dostarczając gotowe do użytku dane dla deweloperów aplikacji i usług biznesowych.
WeatherNext 2 pokazuje, jak sztuczna inteligencja może nie tylko dorównać, ale przewyższyć tradycyjne metody w dziedzinie wymagającej ekstremalnej precyzji. Google DeepMind pracuje nad kolejnymi ulepszeniami, które mogą jeszcze zwiększyć dokładność i szybkość prognoz pogody. Niestety, zmiany klimatyczne są coraz szybsze i będziemy tej zwiększonej dokładności potrzebowali.