Google DeepMind и Google Research 3 сентября 2026 года представили WeatherNext 3 — глобальную модель искусственного интеллекта для прогнозирования погоды. По данным независимой оценки Brightband, это самая точная и продвинутая глобальная модель погоды. В отличие от предшественников, WeatherNext 3 обучается на реальных спутниковых данных и данных метеостанций, а не только на результатах численного моделирования, что позволяет обновлять прогноз каждый час и достигать разрешения 5 километров для приземных переменных.
Традиционные модели прогноза погоды, включая численные модели (NWP), полагаются на суперкомпьютерные симуляции физики атмосферы. Они дают точные прогнозы, но с задержкой около шести часов, что критично для быстро меняющихся явлений — ливней, гроз или резких перепадов температуры. WeatherNext 3 решает эту проблему, используя мозаику живых спутниковых снимков с геостационарных спутников, которые обновляются непрерывно. Это позволяет модели генерировать новый прогноз каждый час, опираясь на самые свежие наблюдения.
| Параметр | WeatherNext 2 | WeatherNext 3 |
|---|---|---|
| Разрешение для приземных переменных | 25 км | 5 км |
| Временной шаг прогноза | 6 часов | 1 час |
| Источник данных | Исторические архивы NWP | Живые спутниковые данные и архивы |
| Обучение на данных метеостанций | Нет | Да |
Ключевое отличие WeatherNext 3 — архитектура Functional Generative Network (FGN), которая обрабатывает спутниковые данные и исторические архивы одновременно. Модель выдает плотные сетки переменных, дискретные траектории циклонов и прогнозы для отдельных метеостанций. Разрешение модели варьируется: 5 км для температуры и влажности у поверхности, 10 км для других приземных переменных и 25 км для атмосферных параметров, таких как скорость ветра. Для сравнения, WeatherNext 2 работал на сетке 25 км с шагом 6 часов.
Разрешение модели достигает 5 км для приземных переменных, что в пять раз выше, чем у предшественника WeatherNext 2.
Обучение на данных метеостанций позволяет модели учитывать локальные особенности рельефа, которые сильно влияют на погоду в прибрежных зонах, долинах и горных районах. Это особенно важно для регионов Латинской Америки, Африки и Азиатско-Тихоокеанского региона, где традиционные региональные модели были недоступны из-за высокой стоимости суперкомпьютерных вычислений. WeatherNext 3 делает высокоточные прогнозы доступными для миллиардов людей, которые ранее полагались на менее детализированные данные.
Модель уже интегрирована в продукты Google: Search, Gemini, Maps, Google Maps Platform и Cloud. Это означает, что пользователи по всему миру получают доступ к прогнозам с высоким разрешением в привычных интерфейсах. Для бизнеса, особенно в сферах сельского хозяйства, логистики и энергетики, это открывает новые возможности для планирования с учетом погодных рисков.
Разработка WeatherNext 3 — часть более широкого тренда в области ИИ для прогнозирования погоды. Ранее Google DeepMind уже выпускала модели WeatherNext, а конкуренты, такие как Huawei с моделью Pangu-Weather и NVIDIA с FourCastNet, также активно развивают это направление. Однако WeatherNext 3 выделяется использованием реальных спутниковых данных в реальном времени, что позволяет сократить задержку прогнозов и повысить их точность для быстро меняющихся погодных явлений.
Несмотря на достижения, у модели есть ограничения. Она все еще зависит от качества спутниковых данных и не полностью заменяет традиционные численные модели для долгосрочных климатических прогнозов. Однако для оперативного прогнозирования на ближайшие часы и дни WeatherNext 3 представляет собой значительный шаг вперед, делая высокоточную метеорологию доступной для широкой аудитории.
