Сутки. Именно столько дополнительного времени на эвакуацию даёт новая модель Google DeepMind по сравнению с лучшими действующими системами прогнозирования ураганов. Когда речь о тропическом циклоне, 24 часа это разница между «успели вывезти людей и укрепить дамбы» и «не успели». WeatherNext 2 делает прогноз на 15 дней вперёд, просчитывает тысячу возможных сценариев развития шторма и тратит на всё это меньше минуты на одном TPU. А главное, Google опубликовал статью в Nature и выложил код и веса в открытый доступ.

Что такое WeatherNext 2

WeatherNext 2 это открытая модель Google DeepMind для прогнозирования тропических циклонов и экстремальной погоды. Она одновременно предсказывает траекторию шторма, его интенсивность и структуру ветров на срок до 15 дней, генерируя ансамбль из тысячи вероятностных сценариев. Код и веса опубликованы на GitHub, есть облегчённая версия для бесплатного запуска в Google Colab.

Одна модель вместо двух

Чтобы понять, почему это важно, нужно знать, как ураганы предсказывают сегодня. Классическое численное моделирование погоды разделено на две разные задачи, и для них исторически строили разные модели. Первая задача это траектория: куда пойдёт шторм. Она решается на относительно грубых глобальных сетках, потому что движение циклона определяется крупномасштабными потоками в атмосфере. Вторая задача это интенсивность: насколько сильным станет шторм. Тут нужны модели высокого разрешения, которые видят мелкую структуру глаза бури, конвекцию, теплообмен с океаном.

Между этими задачами есть неприятный конфликт. Высокое разрешение стоит дорого, поэтому модель интенсивности обычно запускают на ограниченной области и на короткий срок. Глобальная модель дешевле, но она слишком грубая, чтобы поймать быструю интенсификацию, момент, когда шторм за сутки превращается из тропического шторма в ураган четвёртой категории. Именно быстрая интенсификация остаётся самым слабым местом оперативного прогнозирования последние годы.

WeatherNext 2 объединяет обе задачи в одной архитектуре. Модель предсказывает и путь, и силу, и ветровую структуру циклона в рамках единого вероятностного прогноза. Это устраняет разрыв между двумя системами: не нужно согласовывать вывод разных моделей, не нужно выбирать, какой из двух прогнозов считать основным.

Числа, которые впечатляют

Прогнозный горизонт составляет 15 дней. Для тропических циклонов это очень далёкая перспектива: на таких сроках классические детерминированные прогнозы давно перестают быть полезными, и вся надежда на ансамблевые методы. WeatherNext 2 генерирует ансамбль из 1000 различных сценариев развития событий, что позволяет оценить вероятность каждого исхода, а не просто выдать одну «самую правдоподобную» линию на карте.

По данным DeepMind, ошибка модели по траектории, интенсивности и размеру шторма заметно ниже, чем у конкурирующих методов, и преимущество сохраняется даже при заблаговременности в пять дней. В пересчёте на практическую пользу это даёт больше 24 часов дополнительного времени упреждения по сравнению с ведущими системами.

Самое контринтуитивное: модель работает на данных с разрешением примерно 28 километров, что примерно в 100 раз грубее сеток, которые требуются традиционным моделям высокого разрешения. И на этих грубых данных она считает полный 15-дневный прогноз меньше чем за минуту на одном TPU. Для сравнения, оперативный прогон большой численной модели это часы работы суперкомпьютера.

Почему грубые данные это преимущество

Традиционная логика метеорологии говорит: хочешь точнее, повышай разрешение. Разрешение в 1 км вместо 25 км означает в десятки тысяч раз больше вычислений, потому что при измельчении сетки приходится дробить и шаг по времени. Это главная причина, почему численное прогнозирование привязано к суперкомпьютерам национальных метеослужб.

Нейросетевая модель учится иначе. Вместо того чтобы численно интегрировать уравнения гидродинамики на мелкой сетке, она выучивает статистические связи между крупномасштабным состоянием атмосферы и последующей эволюцией шторма. Глаз бури и мелкая конвекция не исчезают из задачи, но модель выучивает их эффект на развитие циклона из исторических данных, а не вычисляет их напрямую.

Обучение велось почти на 20 терабайтах глобальных атмосферных данных, включая около 5000 исторических штормов. Это ключевой момент: редкие экстремальные события плохо учатся на общем архиве погоды, потому что их там просто мало. Специальная выборка из тысяч размеченных циклонов даёт модели достаточно примеров именно того класса событий, который мы и хотим предсказывать.

Отсюда практический вывод. Если прогноз не требует суперкомпьютера и сверхдетальных входных данных, его может запустить региональная метеослужба бедной страны, университет или страховая компания. Барьер входа падает с «национальной программы» до «одна карта TPU и скрипт из репозитория».

От GraphCast к WeatherNext

WeatherNext 2 не появился из ниоткуда. За последние несколько лет нейросетевое прогнозирование погоды прошло путь от любопытного эксперимента до технологии, которую оперативно используют. GraphCast от DeepMind в 2023 году показал, что нейросеть обгоняет золотой стандарт европейского центра ECMWF на большинстве целевых переменных при 10-дневном прогнозе, причём считает его за минуты. Затем появился GenCast, вероятностная модель, которая генерировала ансамбли сценариев и превзошла ансамблевую систему ECMWF.

ECMWF в ответ запустил собственную нейросетевую систему AIFS и перевёл её в оперативный режим. Это важный сигнал: вопрос больше не в том, работают ли нейросетевые прогнозы, а в том, кто быстрее доведёт их до экстремальных событий. Циклоны это самый очевидный кандидат: они редки, дороги в последствиях, и именно тут цена ошибки максимальна.

WeatherNext 2 закрывает именно эту нишу. Первая версия WeatherNext уже специализировалась на тропических циклонах, вторая поколение поднимает горизонт до 15 дней и улучшает точность по всем основным метрикам. Публикация в Nature и одновременный релиз кода с весами это ещё и заявка на стандарт: DeepMind фактически предлагает мировому сообществу использовать их модель как отправную точку.

Зачем нужна тысяча сценариев

Детерминированный прогноз выдаёт одну линию на карте, и по ней невозможно понять, насколько модель уверена в себе. Ансамбль из 1000 сценариев решает эту проблему: вместо одной траектории вы получаете распределение. Если 800 сценариев из тысячи ведут шторм на Флориду, а 200 разворачивают его в Атлантику, это принципиально иная ситуация для принятия решений, чем расклад 500 на 500.

Такой формат напрямую ложится на пороговые решения. Эвакуация побережья стоит десятки миллионов долларов, и власти не могут эвакуировать «на всякий случай» при каждом шторме. Вероятностный прогноз позволяет задать порог осмысленно: например, начинать подготовку, когда вероятность урагана третьей категории над регионом превышает 30 процентов за 96 часов. Чем точнее калибровано распределение, тем меньше ложных эвакуаций и тем меньше пропущенных катастроф.

Экономика прогноза

Оперативный прогон большой численной модели ведущего метеоцентра это часы на суперкомпьютере с тысячами ядер и энергопотреблением в мегаватты. Ансамбль из нескольких десятков сценариев уже считается роскошью: каждый дополнительный член ансамбля стоит почти полного прогноза. Поэтому традиционные ансамбли ограничены примерно пятьюдесятью сценариями.

Нейросетевая модель ломает эту экономику. Когда один сценарий стоит доли секунды на одном ускорителе, тысяча сценариев перестаёт быть экстравагантностью и становится базовой настройкой. Вычислительный бюджет, который раньше уходил на один детерминированный прогноз, теперь покрывает полное вероятностное описание будущего шторма. Именно этот сдвиг, а не просто рост точности, делает нейросетевое прогнозирование стратегически важным для отрасли.

Открытый код меняет правила игры

Google выложил на GitHub и код, и обученные веса, с инструкциями по локальному запуску. Дополнительно выпущена версия WeatherNext 2 Mini, компактная модель, которую можно запустить бесплатно в Google Colab. Для исследовательского сообщества это значит очень много: можно воспроизвести результаты, протестировать модель на своих региональных данных, дообучить её под конкретный бассейн, например, под тайфуны западной части Тихого океана или циклоны Бенгальского залива.

Для национальных метеослужб развивающихся стран открытая модель высокого уровня это шанс получить качественный прогноз без десятилетий инвестиций в собственный суперкомпьютерный центр. Тропические циклоны бьют чаще всего именно по регионам, где такой инфраструктуры нет.

Ограничения, о которых стоит помнить

У модели есть естественные границы. Во-первых, вероятностный прогноз на 15 дней это не «шторм придёт сюда», а распределение сценариев, и читать такие прогнозы нужно уметь. Во-вторых, модель обучена на историческом климате. Изменение климата сдвигает распределение штормов: они становятся интенсивнее, быстрее усиливаются, медленнее движутся. Насколько хорошо статистика прошлых 5000 циклонов описывает циклоны будущего, открытый вопрос, и ответ на него даст только оперативная практика. В-третьих, нейросетевая модель зависит от качества входных данных: анализ начального состояния атмосферы по-прежнему делается классическими системами усвоения данных, так что полностью от традиционной инфраструктуры мир не отказывается.

Часто задаваемые вопросы

Чем WeatherNext 2 отличается от GraphCast?

GraphCast это глобальная детерминированная модель общего прогноза погоды на 10 дней. WeatherNext 2 специализируется на тропических циклонах, работает на горизонте 15 дней и генерирует вероятностный ансамбль из 1000 сценариев вместо одного прогноза. Это разные поколения и разные задачи.

Можно ли запустить WeatherNext 2 самостоятельно?

Да. Код и веса опубликованы на GitHub с инструкциями по установке. Полный 15-дневный прогноз считается меньше минуты на одном TPU, а облегчённая версия WeatherNext 2 Mini запускается бесплатно в Google Colab, что подходит для экспериментов и обучения.

Заменит ли модель классические метеослужбы?

Нет, и DeepMind этого не обещает. Модель зависит от начального анализа атмосферы, который готовят традиционные системы. Реалистичный сценарий это гибрид: классическая усвоение данных плюс нейросетевой прогноз, который дешевле, быстрее и доступнее.

Насколько точен прогноз интенсивности?

По данным DeepMind, ошибка по интенсивности у WeatherNext 2 ниже, чем у конкурирующих систем, включая горизонт в пять дней. Практически это даёт больше суток дополнительного времени на подготовку. Но быстрая интенсификация остаётся трудной задачей для всех моделей, и вероятностный характер прогноза нужно учитывать при принятии решений.

Итог

WeatherNext 2 это редкий случай, когда нейросетевая модель одновременно точнее, быстрее, дешевле и открытее существующих решений. Прогноз на 15 дней, тысяча сценариев, минута вычислений на одном TPU, статья в Nature и код на GitHub. Дополнительные сутки упреждения перед ураганом это не абстрактная метрика, а тысячи спасённых жизней и миллиарды долларов ущерба, которого удалось избежать. Если вы работаете с климатическими рисками, страхованием или просто интересуетесь прикладным ИИ, скачайте WeatherNext 2 Mini и прогоните её на данных последнего крупного шторма в вашем регионе. Ничто не убеждает лучше, чем модель, которая воспроизводит историю на ваших глазах.