Model WeatherNext Cyclones od Google DeepMind przewiduje trasę, siłę i zasięg wiatru cyklonów tropikalnych średnio o dobę wcześniej niż najlepsze modele operacyjne, a autorzy pracy opublikowanej w „Nature” porównują ten skok do całej dekady postępu w prognozowaniu. Zmiana nie dotyczy jednak jednego modelu: Europejskie Centrum Średnioterminowych Prognoz Pogody prowadzi własny model AIFS w trybie operacyjnym od 25 lutego 2025 roku, a meteorologia okazała się dziedziną, w której sztuczną inteligencję przyjęto niemal bez oporu.
- Model WeatherNext Cyclones od Google DeepMind przewiduje trasę, siłę i zasięg wiatru cyklonów tropikalnych średnio o dobę wcześniej niż najlepsze modele operacyjne, przy czym skalę tej poprawy autorzy publikacji w „Nature" porównują do postępu całej dekady w operacyjnej meteorologii.
- ECMWF uruchomiło operacyjnie model AIFS Single 25 lutego 2025 roku, podając że przewyższa on najlepsze modele fizyczne w prognozowaniu torów cyklonów tropikalnych o 20 procent, zużywając przy tym około tysiąckrotnie mniej energii.
- Polska jako jedyny kraj Unii Europejskiej nie jest członkiem ECMWF i korzysta z danych centrum na podstawie umowy o dostępie, podpisanej w grudniu 2020 roku przez dyrektor generalną Florence Rabier i ówczesnego dyrektora IMGW-PIB Przemysława Ligenzę.
Chcesz czytać więcej treści związanych z AI?
Dodaj AIPORT.pl do preferowanych źródeł Google
Trzydniowa prognoza cyklonu jest dziś tak dokładna, jak wcześniej dwudniowa
Trzydniowe prognozy WeatherNext Cyclones dorównują dokładnością temu, co wcześniejsze systemy potrafiły podać z dwudniowym wyprzedzeniem. To dodatkowe 24 godziny na ewakuację, zabezpieczenie infrastruktury i przemieszczenie służb ratunkowych.
Praca opisująca model ukazała się 6 sierpnia 2026 roku w „Nature” pod tytułem „Operational Tropical Cyclone Forecasting with AI”. Autorzy oceniali model na cyklonach z lat 2023-2025 i podają, że przewaga czasowa dotyczy wszystkich trzech mierzonych parametrów naraz: toru ruchu, intensywności oraz promieni wiatru. Skalę poprawy porównują do postępu, jaki operacyjna meteorologia osiągnęła przez ostatnie dziesięć lat.
Za projektem stoi Google DeepMind wspólnie z Google Research oraz synoptykami z National Hurricane Center (NHC), amerykańskiego centrum ostrzegania przed huraganami, Cooperative Institute for Research in the Atmosphere przy Colorado State University i brytyjskiego Met Office. Google podaje, że podczas sezonu huraganowego 2025 model pomógł NHC przewidzieć gwałtowne wzmocnienie huraganu Melissa i jego wejście na ląd na Jamajce.
Model korzysta z danych stokrotnie mniej dokładnych i i tak wygrywa
WeatherNext Cyclones pracuje na danych o rozdzielczości 28 na 28 kilometrów, czyli stukrotnie zgrubniejszych niż te, których wymagają tradycyjne modele numeryczne. Dotąd w meteorologii panowało przekonanie, że wysoka rozdzielczość przestrzenna jest podstawowym warunkiem dobrej prognozy intensywności cyklonu. Google przyznaje wprost, że wynik zaskoczył badaczy i że pełne wyjaśnienie, dlaczego model tak dobrze radzi sobie przy tak zgrubnych danych, pozostaje otwartym problemem badawczym.
Techniczne parametry, które opisuje Google DeepMind:
- trening na blisko 20 terabajtach globalnych danych atmosferycznych oraz na bazie IBTrACS obejmującej prawie 5 tysięcy historycznych cyklonów,
- jeden model przewidujący jednocześnie tor, intensywność i strukturę wiatru, zamiast dwóch osobnych rodzin modeli,
- generowanie zespołów prognoz przez Functional Generative Networks, czyli sieci tworzące wiele wariantów rozwoju sytuacji zamiast jednej ścieżki,
- 1000 scenariuszy na cyklon, podczas gdy rok wcześniej system liczył 50 naraz,
- pełna piętnastodniowa prognoza w mniej niż minutę na jednym układzie TPU,
- wersja WeatherNext 2-mini działająca na siatce 111 na 111 kilometrów.
Rozbicie na tysiąc scenariuszy ma znaczenie praktyczne. Pozwala oszacować prawdopodobieństwo zdarzeń rzadkich, ale najgroźniejszych, takich jak gwałtowne wzmocnienie sztormu tuż przed dotarciem do brzegu.
Kod i wagi trafiły na GitHuba, ale Google nazywa je oprogramowaniem badawczym
Razem z publikacją w „Nature” Google udostępnił kod oraz wagi modeli WeatherNext 2 i WeatherNext Cyclones w repozytorium na GitHubie. Kod objęto licencją Apache 2.0, wagi i materiały towarzyszące licencją Creative Commons. W zestawie znalazł się notatnik Colab pozwalający uruchomić wersję mini bez własnej infrastruktury obliczeniowej.
Google zastrzega przy tym, że WeatherNext 2 to eksperymentalne oprogramowanie badawcze, a nie wspierany produkt prognostyczny, i że jego wyniki nie zastępują ostrzeżeń wydawanych przez krajowe służby meteorologiczne. Uruchomienie pełnych wersji modeli wymaga akceleratora klasy H100 albo TPU v5p.
Otwarcie wag to gest, którego w tej branży nie było i który realnie zmienia układ sił. Mniejsze służby meteorologiczne dostają narzędzie, na które nigdy nie miałyby budżetu, i to w momencie, gdy koszt jednej prognozy spada do minuty pracy pojedynczego akceleratora. Widzę tu jednak pułapkę, o której mówi się za mało. Model, którego działania nie potrafią wyjaśnić nawet jego twórcy, wchodzi do procesu decyzyjnego dotyczącego ewakuacji ludzi. Google sam pisze, że nie wie, dlaczego zgrubne dane wystarczają. W meteorologii operacyjnej odpowiedzialność za ostrzeżenie ponosi konkretna instytucja i konkretny synoptyk, więc pytanie brzmi nie „czy używać”, tylko „na jakich zasadach weryfikować”. Sezon huraganowy 2025 dał pierwszą odpowiedź: model wsparł prognozę NHC, ale decyzję podjęli ludzie. Ten podział ról powinien zostać.
Piotr Wolniewicz, Redaktor Naczelny AIPORT.pl
Opisz krótko, czego potrzebujesz. Jesteśmy największym HUB-em AI w Polsce — w naszej bazie znajdziesz blisko 500 zweryfikowanych firm specjalizujących się w AI. W Twoim imieniu poprosimy 3-5 dopasowanych wykonawców o kontakt w ciągu 48 godzin.
ECMWF prowadzi model AIFS operacyjnie od lutego 2025 roku
Google nie jest w tej dziedzinie sam i nie był pierwszy w służbie operacyjnej. Europejskie Centrum Średnioterminowych Prognoz Pogody (ECMWF) uruchomiło deterministyczną wersję Artificial Intelligence Forecasting System (AIFS Single) 25 lutego 2025 roku, obok klasycznego, opartego na fizyce systemu IFS. Był to pierwszy przypadek, gdy globalny model prognostyczny oparty na uczeniu maszynowym stał się częścią operacyjnej służby prognostycznej międzynarodowego ośrodka meteorologicznego.
ECMWF podał wtedy, że AIFS przewyższa najlepsze modele fizyczne w wielu miarach, w tym w prognozowaniu torów cyklonów tropikalnych, z poprawą sięgającą 20 procent, przy zużyciu energii mniejszym około tysiąckrotnie. Dyrektor generalna ECMWF Florence Rabier oceniła wtedy: „Ten moment przeobrazi naukę o pogodzie i prognozy” / „This milestone will transform weather science and predictions.”
Rozbudowa poszła szybko. Wersja zespołowa AIFS ENS ruszyła operacyjnie 1 lipca 2025 roku, a 12 maja 2026 roku oba modele przeszły na wersję v2. Razem generują dziś około 6 terabajtów danych prognostycznych dziennie, udostępnianych na licencji CC-BY. Pierwszego pełnego dnia pracy AIFS Single rozesłał 130 gigabajtów danych do 46 odbiorców na świecie.
Polska pozostaje poza ECMWF i kupuje dostęp do danych
Dla polskiego czytelnika ta historia ma nieoczywisty wymiar. Polska jako jedyny kraj Unii Europejskiej nie należy do grona państw członkowskich ECMWF, o czym w maju 2026 roku przypominała redakcja TVN Meteo, opisując wieloletnie starania środowiska naukowego o zmianę tego stanu. Instytut Meteorologii i Gospodarki Wodnej działa na podstawie umowy o dostępie do danych, podpisanej w połowie grudnia 2020 roku przez Florence Rabier i ówczesnego dyrektora IMGW-PIB Przemysława Ligenzę.
„Dostęp do danych ECMWF pozwoli w sposób wymierny poprawić jakość prognoz, a tym samym osłony meteorologiczno-hydrologicznej Polski” komentował wtedy Przemysław Ligenza. Na danych z ECMWF opiera się między innymi polska prognoza tygodniowa z horyzontem 46 dni oraz eksperymentalna prognoza długoterminowa temperatury i opadu. Centrum Modelowania Meteorologicznego IMGW-PIB publikuje od kilku lat materiały analityczne o zastosowaniu uczenia maszynowego w prognozowaniu, autorstwa Mariusza Figurskiego i Roberta Przyłuskiego.
I tu pojawia się realna konsekwencja decyzji Google’a. Kraj bez członkostwa w ECMWF i bez własnego superkomputera dedykowanego prognozom globalnym dostaje wagi modelu, który liczy piętnastodniową prognozę w minutę na jednym akceleratorze. Bariera przestaje być finansowa, a staje się kompetencyjna. Chodzi o to, kto potrafi taki model uruchomić, ocenić i włączyć w procedury ostrzegania. Cyklony tropikalne nie docierają nad Bałtyk, ale ta sama architektura obsługuje prognozy globalne, a te są warunkiem brzegowym dla polskich modeli regionalnych.
Za każdą polską firmą AI stoi konkretny człowiek z imieniem i nazwiskiem, często ten sam w kilku miejscach naraz, i to właśnie ludzie, nie tabelki finansowania, są prawdziwym bohaterem tego artykułu.
Meteorolodzy przyjęli AI inaczej niż inne branże
Prognozowanie pogody wyróżnia się na tle innych zastosowań sztucznej inteligencji brakiem konfliktu. Jak zauważa David Hambling w rubryce Weatherwatch w „The Guardian”, w wielu dziedzinach AI napotyka opór, a w meteorologii jest przyjmowana jako pożyteczne nowe narzędzie.
Powód jest prozaiczny i wynika z historii tej dyscypliny. Numeryczne prognozowanie pogody sięga książki „Weather Prediction by Numerical Process”, którą Lewis Fry Richardson, matematyk związany z brytyjskim Met Office, opublikował w 1922 roku. Jego metoda była poprawna, ale kompletnie niepraktyczna, bo obliczenia trzeba było wykonywać ręcznie. Dopiero komputery uczyniły ją użyteczną, a moc obliczeniowa do dziś pozostaje ograniczeniem. Modele AI omijają ten problem, ponieważ zamiast rozwiązywać równania fizyczne odtwarzają wzorce nauczone z danych treningowych.
Ostrożność jest jednak wskazana także w tym optymistycznym obrazie. Systemy oparte na AI dorównują dziś modelom konwencjonalnym na kilku skalach czasowych, szczególnie w prognozach dłuższych, ale nie są od nich bezwarunkowo lepsze. Ich przewaga polega przede wszystkim na tym, że dają porównywalne wyniki szybciej i taniej. Ostrzeżenia meteorologiczne nadal wydają krajowe służby, i Google podkreśla to w każdym materiale o WeatherNext.
Źródła i metodologia
Artykuł powstał na podstawie analizy redakcji AIPORT.pl oraz dodatkowych źródeł, w tym pracy naukowej Operational Tropical Cyclone Forecasting with AI, „Nature” z dnia 06.08.2026 oraz komunikatu Google DeepMind i informacji ECMWF o uruchomieniu operacyjnym systemu AIFS. Kontekst polski oparto na komunikacie IMGW-PIB o umowie z ECMWF. Do weryfikacji wykorzystano także biuletyn ECMWF nr 186, materiały Centrum Modelowania Meteorologicznego IMGW-PIB oraz rubrykę Weatherwatch w „The Guardian” autorstwa Davida Hamblinga z 10.09.2026.
Cytat Florence Rabier, dyrektor generalnej ECMWF, został zweryfikowany z oryginalnym anglojęzycznym materiałem źródłowym. Cytat Przemysława Ligenzy, ówczesnego dyrektora IMGW-PIB, pochodzi z polskojęzycznego komunikatu instytutu.
Komentarz redakcyjny i ocena kontekstu branżowego: Piotr Wolniewicz, Redaktor Naczelny AIPORT.pl.
Artykuł będzie aktualizowany w miarę pojawiania się nowych informacji o wdrożeniach modeli AI w operacyjnym prognozowaniu pogody oraz o statusie Polski wobec ECMWF.
