WeatherNext Cyclones: ИИ от DeepMind предсказывает ураганы на сутки вперёд

Когда ИИ обгоняет десятилетие метеорологии за один релиз

Представьте: специалисты Национального центра слежения за ураганами США (NHC) в Майами, за пультами в бункере с бетонными стенами толщиной 25 сантиметров, смотрят на экран — и видят, что новая модель ИИ предсказала резкое усиление урагана за сутки до того, как это заметили традиционные системы. Именно это произошло во время урагана «Мелисса» в 2025 году, когда шторм обрушился на Ямайку. Google DeepMind публично объявил о результатах работы WeatherNext Cyclones (WN-C) — и цифры говорят сами за себя.

Модель была официально представлена в статье, опубликованной в журнале Nature, и прогнозы в режиме реального времени работают через Google Weather Lab с июня 2025 года. Теперь же команда открывает код и веса модели для всего исследовательского сообщества через GitHub.

Что именно умеет WN-C — и почему это прорыв

Десятилетиями метеорологи жили с неудобным компромиссом: глобальные модели вроде ансамблевой системы ECMWF (ENS) неплохо предсказывают траекторию урагана, но слишком грубы для оценки интенсивности. Специализированные региональные модели — например, американская HAFS от NOAA — дают точную картину силы шторма, но теряют точность в прогнозе пути. WN-C решает обе задачи одновременно в единой системе.

Цифры конкретны и впечатляют:

- На пятидневном горизонте ошибка в определении центра шторма у WN-C составляет в среднем 230 километров — против 370 км у ENS и 335 км у предшественника GenCast. - На трёхдневных прогнозах интенсивности WN-C точнее HAFS на 3,75 узла (~4,3 мили в час). - По вероятностным прогнозам интенсивности модель показывает результат вдвое лучше, чем ENS и GenCast на большинстве временных горизонтов. - Порог в 64 узла — момент, когда шторм официально становится ураганом — WN-C отрабатывает точнее конкурентов с практической пользой для принятия решений.

Весь этот прогресс — примерно эквивалент десяти лет развития традиционной метеорологии, упакованный в один релиз.

Парадокс грубых данных

Одна из самых неожиданных находок исследования: WN-C работает с сеткой данных, где каждая точка охватывает около 28 километров — примерно в сто раз грубее, чем у специализированных региональных моделей. При этом компактная версия с разрешением 111 километров на точку тоже показывает конкурентоспособные результаты.

«Высокое разрешение не является обязательным условием для прогнозирования интенсивности мирового уровня», — пишут авторы в статье. Как именно модель выжимает такую точность из настолько грубых данных — остаётся открытым вопросом даже для самих разработчиков. Это честное признание, которое я ценю: не маркетинговый туман, а реальная научная загадка.

Очевидно, грубые атмосферные данные содержат куда больше информации о силе шторма, чем считалось раньше. Это само по себе важный научный результат, который будут изучать ещё долго.

Архитектура: прощай, диффузия

Технически WN-C построен на новом подходе — Functional Generative Networks (FGN). Предшественник GenCast использовал диффузию — метод, хорошо известный по генераторам изображений, который требует десятков проходов через нейросеть на каждый шаг прогноза. FGN справляется за один проход, что делает модель в восемь раз быстрее.

Для захвата неопределённости система не добавляет шум к отдельным пикселям, как большинство конкурирующих подходов. Вместо этого шум инжектируется в управляющие слои сети — это порождает физически согласованные сценарии, а не просто зашумлённые копии одного и того же прогноза. Из 1000 прогонов модель строит карты вероятности достижения ветром скоростей 34, 50 и 64 узла в каждой точке.

Обучение проходило на двух принципиально разных источниках: почти 20 терабайт глобальных атмосферных данных из анализов ECMWF плюс кураторская база примерно 5000 исторических циклонов. Совместить табличные данные о штормах с пространственными атмосферными полями — нетривиальная инженерная задача, и команде DeepMind пришлось придумывать специальные механизмы для этого.

Контекст: WeatherNext как экосистема

WN-C — не изолированный проект, а часть более широкой стратегии Google DeepMind в метеорологии. В ноябре 2025 года вышел WeatherNext 2 — общая модель прогноза погоды, которая превосходит предыдущий WeatherNext на 99,9% переменных и временных горизонтов, генерирует сотни сценариев меньше чем за минуту на одном TPU и уже интегрирована в Google Search, Gemini, Pixel Weather и Maps Platform.

WN-C — специализированный «циклонный» модуль поверх этой экосистемы, разработанный совместно с NHC, Кооперативным институтом исследования атмосферы и Метеорологическим бюро Великобритании. Партнёрство с реальными оперативными службами — не PR-ход, а необходимость: именно специалисты NHC валидировали подход и с 2025 года видят прогнозы WN-C рядом с традиционными моделями.

Что это значит на практике

Для метеорологов и служб гражданской защиты — дополнительные 24 часа предупреждения о пути и интенсивности урагана. Это не абстрактная цифра: эвакуация крупных прибрежных районов требует минимум 48-72 часов, и каждый дополнительный час прогноза буквально спасает жизни.

Для исследователей — открытые веса и код на GitHub, что позволяет воспроизводить, адаптировать и улучшать модель. В эпоху, когда многие коммерческие ИИ-системы закрыты, это действительно важный жест.

Для российской аудитории: Weather Lab доступен через браузер без VPN, хотя для работы с данными через Google Cloud Vertex AI или Earth Engine потребуется учётная запись и, возможно, обходные решения для оплаты. Открытые веса на GitHub доступны без ограничений.

Индустрия ИИ-метеорологии стремительно взрослеет. Если ещё три года назад нейросетевые прогнозы воспринимались как экзотика, сегодня они работают в реальных оперативных системах в Майами — в бункере с бетонными стенами, которым не страшен пятый категории. Это и есть настоящий тест на зрелость технологии.

*Информация подтверждена несколькими независимыми публикациями, включая официальные материалы Google DeepMind и публикацию в Nature.*