Последнее продвижение Google в области погодных моделей основано на простой предпосылке: прогнозы улучшаются, когда модель видит атмосферу ближе к реальному времени. WeatherNext 3, которая теперь формирует прогнозы в Search, Maps и Gemini, переводит ИИ-систему Google от обновлений каждые шесть часов к почасовым прогнозам за счёт обработки спутниковых наблюдений.¹

Компания заявляет, что это изменение обеспечивает глобальную картину в пять раз более детальную, чем у WeatherNext 2: некоторые переменные картируются с разрешением до 5 километров вместо сетки в 25 километров. Инженер-исследователь Google Самиер Мерчант заявил, что ключевым фактором стал доступ к «более свежим и более насыщенным наборам наблюдательных данных».¹ Google утверждает, что прогнозы осадков могут быть до 50% точнее как минимум за день вперёд, особенно для быстро развивающихся систем дождя и снега, а также в регионах с меньшим числом наземных измерительных станций.¹

Глава DeepMind Демис Хассабис поддержал запуск, назвав WeatherNext 3 «крупным прорывом», который учится на «наблюдениях реального мира в реальном времени», чтобы быстрее формировать более локализованные прогнозы.Demis Hassabis (demishassabis)² Google также позиционирует модель как инструмент для энергетики, включая прогнозы скорости ветра на высоте турбин, подчёркивая ценность возобновляемой генерации на фоне растущего спроса со стороны центров обработки данных.¹

Но более внимательное изучение технических результатов умеряет победный настрой. Независимая оценка выявила примерно 5-процентное улучшение точности в верхних слоях атмосферы по сравнению с WeatherNext 2 — что, по словам Google, эквивалентно примерно шести дополнительным часам надёжной заблаговременности прогноза — и прирост до 30% в точности прогноза температуры у поверхности для конкретных местоположений.³

Та же оценка выявила неудобное исключение на ранних сроках прогноза: по нескольким переменным WeatherNext 3 сначала работала хуже моделей сравнения, прежде чем выйти вперёд позднее в своём 15-дневном прогнозе. Также были отмечены похожие на шестиугольники структуры осадков и глобальные ансамбли температур, которые могут смещаться в сторону слишком тёплых или холодных значений, — странности, не получившие объяснения в статье.³

В этом и состоит главное противоречие. ИИ может работать значительно дешевле и чаще, чем традиционные численные модели, но по-прежнему остаётся в значительной мере «чёрным ящиком», обучающимся на закономерностях. Сама Google всё ещё обучает WeatherNext 3 на данных моделей, основанных на физике, тогда как синоптики обычно сопоставляют несколько моделей, прежде чем выпускать предупреждения.¹