Google DeepMind и Google Research представили WeatherNext 3 — новую модель для прогнозирования погоды, которая, по заявлениям компании, точнее конкурентов и готовых уже интегрироваться в Search, Maps и Gemini. Модель будет доступна через облачные платформы Google для исследователей и пользователей. Это очередной шаг в переходе метеорологии на методы глубокого обучения, начавшемся после того, как Европейский центр среднесрочных прогнозов выложил в открытый доступ полвека архивов данных со своих суперкомпьютеров.

Главный прорыв WeatherNext 3 — работа с сырыми наблюдениями со спутников и метеостанций вместо предварительно обработанных данных от государственных суперкомпьютеров. Google позиционирует это как первое глобальное высокоразрешающее предсказание на основе прямого ввода необработанных данных, хотя стартап WindBorne утверждает, что его WeatherMesh 6 уже использует сырые данные с воздушных шаров с конца 2025 года. Оба проекта всё ещё полагаются на государственные датасеты, поэтому истинная независимая ассимиляция данных — дело будущего.

По тестам на бенчмарке Operational WeatherBench (инструмент стартапа Brightband) WeatherNext 3 обошла модели от Microsoft, Nvidia и ECMWF, а также традиционные прогнозы Национальной метеослужбы США. Ключевые улучшения: разрешение 5 км вместо 15–25 км, на 60% лучше предсказывает осадки, работает ежечасно вместо стандартного шестичасового цикла. Модель в 2,4 раза больше предшественницы и специально натренирована на данные конкретных метеостанций, что делает оценку точности реальной и полезной для пользователя.

Почему это важно: традиционные прогнозы строятся государственными суперкомпьютерами, которые медленны, дороги в содержании и требуют огромных вычислительных ресурсов. ИИ-модели работают на порядок быстрее и дешевле. Хотя точность обеих систем сравнима на глобальном уровне, глубокое обучение лучше справляется с локальным шумом и неполной информацией — то есть именно с тем, что нужно для полезного прогноза. Речь не о чудо-алгоритме, а о том, что нейросеть эффективнее аппроксимирует нелинейную хаотичную систему по реальным наблюдениям.

Это открывает перспективы для регионов без доступа к дорогим суперкомпьютерам и сенсорным сетям. Лучшие локальные прогнозы осадков повышают урожайность сельского хозяйства, помогают планировать возобновляемую энергетику (ветер, облачность). Эффект особенно значим для развивающихся стран, где метеорологическая инфраструктура слаба. Парадокс: пока внимание сосредоточено на языковых моделях, революция трансформеров в метеорологии шумно протекает за кулисами и уже внедряется европейскими и американскими метеослужбами в оперативные прогнозы.

Для российского бизнеса это значит несколько конкретных вещей. Сельхозпроизводители, логистические компании и энергосектор смогут работать с гораздо более точными локальными прогнозами без привязки к дорогостоящим государственным службам — через облачные платформы. Платформы вроде Google Cloud или других провайдеров будут предлагать готовые API с этими данными. Для компаний, разрабатывающих приложения с функциями погоды или прогнозирования спроса, зависящего от метеоусловий, это снизит себестоимость и повысит точность. Если в вашей автоматизации или аналитике используются прогнозы — через месяц-два заметите улучшение сигналов. Прямую коммерческую интеграцию (вроде WeatherNext 3 в собственный продукт) пока обсуждать рано, но логика очевидна.

Остаётся один вопрос: Google уже доминирует в поиске, картах и ассистентах; встраивание собственной модели погоды усилит эту позицию. Конкуренты (Microsoft, Apple, местные сервисы) либо должны строить или лицензировать альтернативные модели, либо будут полагаться на те же открытые данные от государственных служб, что нивелирует преимущество Google. Индустрия интересная — прибыль не в самой модели, а в её интеграции в экосистему.