Googles jüngster Vorstoß bei Wettermodellen beruht auf einer einfachen Prämisse: Prognosen verbessern sich, wenn das Modell die Atmosphäre näher an der Echtzeit erfasst. WeatherNext 3, das nun Prognosen in Search, Maps und Gemini speist, stellt Googles KI-System durch die Aufnahme von Satellitenbeobachtungen von Aktualisierungen im Sechs-Stunden-Takt auf stündliche Vorhersagen um.¹

Das Unternehmen erklärt, diese Änderung liefere ein globales Bild, das fünfmal schärfer sei als bei WeatherNext 2; einige Variablen würden mit einer Auflösung von bis zu 5 Kilometern statt in einem 25-Kilometer-Raster abgebildet. Google-Forschungsingenieur Samier Merchant sagte, entscheidend sei der Zugang zu „aktuelleren und umfangreicheren Beobachtungsdatensätzen“ gewesen.¹ Google zufolge können Niederschlagsvorhersagen mindestens einen Tag im Voraus bis zu 50 % genauer sein, insbesondere bei sich rasch entwickelnden Regen- und Schneesystemen sowie in Regionen mit weniger Bodenmessstationen.¹

DeepMind-Chef Demis Hassabis verstärkte die Einführung und bezeichnete WeatherNext 3 als einen „bedeutenden Durchbruch“, der aus „Beobachtungen der realen Welt in Echtzeit“ lerne, um schneller stärker lokalisierte Vorhersagen zu erstellen.Demis Hassabis (demishassabis)² Google positioniert das Modell auch als Werkzeug für den Energiesektor, einschließlich Prognosen der Windgeschwindigkeit in Turbinenhöhe, während das Unternehmen angesichts des steigenden Bedarfs von Rechenzentren den Wert erneuerbarer Stromerzeugung betont.¹

Eine genauere Lektüre der technischen Ergebnisse dämpft jedoch den Siegesjubel. Eine unabhängige Bewertung stellte gegenüber WeatherNext 2 eine Verbesserung der Genauigkeit in der oberen Atmosphäre um etwa 5 % fest – was laut Google rund sechs zusätzlichen Stunden zuverlässiger Vorlaufzeit entspricht – sowie einen Zuwachs der ortsspezifischen Genauigkeit der Oberflächentemperatur um bis zu 30 %.³

Dieselbe Bewertung identifizierte eine unangenehme Ausnahme bei frühen Prognosen: Bei mehreren Variablen schnitt WeatherNext 3 zunächst schlechter ab als Vergleichsmodelle, bevor es in seinem 15-Tage-Ausblick später vorbeizog. Sie verwies außerdem auf sechseckig wirkende Niederschlagsmuster und globale Temperatur-Ensembles, die zu warm oder zu kühl abdriften können – Auffälligkeiten, für die das Papier keine Erklärung liefert.³

Darin liegt die zentrale Spannung. KI kann weitaus kostengünstiger und häufiger laufen als traditionelle numerische Modelle, bleibt jedoch weitgehend eine Black Box, die Muster lernt. Google selbst trainiert WeatherNext 3 weiterhin mit Daten physikbasierter Modelle, während Meteorologen üblicherweise mehrere Modelle vergleichen, bevor sie Warnungen herausgeben.¹