Google DeepMind i Google Research wprowadziły WeatherNext 3, który firma opisuje jako swój najbardziej zaawansowany dotąd globalny model prognozowania pogody. Niezależne oceny prowadzone na żywo przez firmę Brightband wskazują, że system stanowi znaczący skok w dokładności predykcyjnej i rozdzielczości przestrzennej zarówno względem konwencjonalnych metod numerycznych, jak i poprzednika — WeatherNext 2.

Nowy model odchodzi od utrwalonej praktyki, ucząc się bezpośrednio z obserwacji w czasie rzeczywistym zamiast opierać się wyłącznie na historycznych danych numerycznej predykcji pogody, które zazwyczaj cechują się sześciogodzinnym opóźnieniem. WeatherNext 3 przyjmuje na bieżąco globalne mozaiki satelitów geostacjonarnych co godzinę, co pozwala mu generować prognozy godzinowe w rozdzielczości sięgającej pięciu kilometrów dla zmiennych przypowierzchniowych, takich jak temperatura i wilgotność. Przejście na prognozowanie oparte na AI ma znaczenie wykraczające poza produkty samego Google: modele prognostyczne uczenia maszynowego działają zazwyczaj przy ułamku kosztów obliczeniowych tradycyjnej, superkomputerowej numerycznej predykcji pogody, co wpływa na tempo adaptacji porównywalnych technik przez instytucje takie jak NOAA, ECMWF i krajowe służby meteorologiczne.

Oznacza to pięciokrotną poprawę precyzji przestrzennej względem WeatherNext 2, który działał na siatce 25-kilometrowej z sześciogodzinowymi krokami; zmienne atmosferyczne, w tym prędkość wiatru, są rozwiązywane w rozdzielczości 25 kilometrów. Rdzeniem systemu jest transformer siatkowy Functional Generative Network, który przetwarza zarówno obrazy satelitarne, jak i tradycyjne analizy historyczne, by w sposób natywny generować gęste pola siatkowe, dyskretne trajektorie cyklonów oraz prognozy na poziomie stacji.

Introducing WeatherNext 3, our most advanced and accurate global weather AI model to date, from @GoogleDeepMind and @GoogleResearch. This new forecasting model learns directly from real-time observations, and uses raw satellite data to produce a forecast every hour in high… pic.twitter.com/WlljsjiSfy — News from Google (@NewsFromGoogle) September 3, 2026

Prognozowanie energii i globalna dostępność

Poza udoskonaleniami technicznymi WeatherNext 3 wnosi wyspecjalizowane możliwości dla sektora energii odnawialnej oraz regionów historycznie niedowartościowanych. Model prognozuje prędkość wiatru na wysokości 100 metrów wraz z wysokorozdzielczymi szacunkami zachmurzenia i promieniowania słonecznego, dając operatorom sieci i deweloperom precyzyjne narzędzia do przewidywania produkcji czystej energii i równoważenia podaży z popytem konsumentów. Ta zdolność odpowiada na długotrwały problem operacyjny sieci o rosnącym udziale energii wiatrowej i słonecznej, gdzie zmienność produkcji wymaga dokładnych prognoz krótkoterminowych do planowania dyspozycji i utrzymania niezawodności.

Ponieważ model trenuje bezpośrednio na rozproszonych obserwacjach stacji meteorologicznych, a nie na wygładzonych symulacjach atmosferycznych, uwzględnia lokalną topografię oraz skrajne zmienności mikroklimatyczne, szczególnie istotne dla społeczności nadmorskich, dolinnych i górskich. Ta metodologia ma szczególne znaczenie dla Ameryki Łacińskiej, Afryki i regionu Azji i Pacyfiku, gdzie wysokorozdzielcze prognozowanie było historycznie ograniczone przez kosztowną infrastrukturę superkomputerową tradycyjnych modeli regionalnych.

Dokładność prognoz opadów znacząco się poprawiła dzięki treningowi na danych satelitarnych IMERG NASA oraz własnoręcznej globalnej reanalizie opadów Google. Niezależne oceny wskazują na wyniki Continuous Ranked Probability Scores nawet o 60% lepsze względem benchmarków IMERG, a także o 30% lepsze względem MRMS i o 10% lepsze względem pomiarów deszczomierzowych przy wczesnych horyzontach prognozy.

Google wprowadza WeatherNext 3 w swoich ekosystemach konsumenckich i korporacyjnych z natychmiastowym efektem. Model zasila teraz funkcje pogodowe w Search, Gemini, Maps, interfejsie Google Maps Platform Weather API oraz Earth Engine. Użytkownicy planujący podróże lub aktywności na świeżym powietrzu mogą napotkać prognozy opadów nawet o 50% dokładniejsze przy dłuższych horyzontach, z największymi zyskami w regionach, które wcześniej nie miały niezawodnej infrastruktury prognostycznej.

Dla badaczy i firm godzinowe globalne zbiory predykcyjne są dostępne przez zapytania w BigQuery i Earth Engine lub do pobrania hurtowego przez Google Cloud Storage bez konieczności wdrażania dedykowanego modelu. Premiera kontynuuje linię modeli WeatherNext oraz prace GraphCast Google, będąc częścią szerszego trendu branżowego, w którym modele pogodowe AI dużych firm technologicznych i służb meteorologicznych są coraz częściej stosowane równolegle — a nie zamiast — konwencjonalnych systemów prognostycznych opartych na fizyce.