WeatherNext Cyclones: ИИ от DeepMind предсказывает ураганы на сутки вперед

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 трехдневных 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 - остается 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 еще 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 неопределенности 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 зашумленные 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. Партнерство 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 учетная запись и, возможно, обходные решения для оплаты. Открытые веса на GitHub доступны без ограничений.
Индустрия ИИ-метеорологии стремительно взрослеет. Если еще 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.
Похожие новости
OpenAI выпустила GPT-6.2 Astra и Sol: входные и выходные токены Astra в API на 20% дешевле, чем у GPT-6 Astra
OpenAI представила две модели: флагманскую GPT-6.2 Astra и экономичную GPT-6.2 Sol. Они доступны в ChatGPT Work, Codex и API и тратят меньше выходных токенов. В API Astra дешевле GPT-6 Astra: входные и выходные токены на 20% ниже, на кэшированные входные скидка 60%.
OpenAI показала агентов GPT-6 для клиник: Luna выполняет задачу за 8,5 цента
OpenAI предложила больницам и страховщикам GPT-6 Astra и Luna: агенты сами кликают по программам клиник и порталам страховых. Среди партнеров компании - CVS Health и Cigna Healthcare.
NVIDIA Vera Rubin NVL72 в MLPerf Endpoints: более 10x токенов на киловатт к GB300
В предварительных результатах MLPerf Endpoints v1.0 система Vera Rubin NVL72 выдала более чем в 10 раз больше токенов на киловатт, чем GB300 NVL72. Результаты еще не верифицированы MLCommons.