WeatherNext Cyclones od Google DeepMind daje prognostom dobę przewagi. Model trafia do otwartych źródeł
Kluczowe fakty:
- Model WeatherNext Cyclones od Google DeepMind przewiduje tor, siłę i zasięg wiatru cyklonu tropikalnego z dokładnością przewyższającą wszystkie dotychczasowe operacyjne systemy prognostyczne – jego trzydniowa prognoza jest równie dokładna jak dwudniowa prognoza najlepszych modeli meteorologicznych, takich jak ECMWF czy HWRF.
- Wyniki badań zostały opublikowane 6 sierpnia 2026 roku w czasopiśmie „Nature", a tego samego dnia Google DeepMind udostępniło kod i wagi modelu na GitHubie.
- Model był trenowany na prawie 20 terabajtach globalnych danych atmosferycznych oraz bazie IBTrACS zawierającej niemal pięć tysięcy historycznych sztormów; autorzy szacują, że uzyskana przewaga dobowa odpowiada postępowi, jaki meteorologia operacyjna osiągnęła przez ostatnie dziesięć lat.
Google DeepMind opublikował w „Nature” wyniki modelu, który przewiduje tor, siłę i strukturę wiatru cyklonu tropikalnego z dokładnością przewyższającą wszystkie operacyjne systemy prognostyczne. Trzydniowa prognoza z WeatherNext Cyclones jest tak dobra jak dwudniowa prognoza z modeli używanych dotąd przez służby meteorologiczne.
Praca ukazała się 6 sierpnia 2026 roku, a razem z nią firma udostępniła kod i wagi modeli na GitHubie. To rzadki układ: recenzowana publikacja naukowa i otwarte wagi tego samego dnia. Zwykle jedno przychodzi bez drugiego.
Chcesz czytać więcej treści związanych z AI?
Dodaj AIPORT.pl do preferowanych źródeł Google
Doba przewagi, czyli dekada postępu skompresowana w jeden model
Liczba, która robi tu całą robotę, to czas wyprzedzenia. Zespół przetestował WeatherNext Cyclones na cyklonach z lat 2023–2025 i porównał z czołowymi modelami operacyjnymi, w tym z zespołowym systemem ECMWF oraz amerykańskim HWRF. Średnia przewaga wyniosła ponad dobę dla toru, intensywności i zasięgu wiatru jednocześnie. Autorzy szacują, że odpowiada to postępowi, jaki meteorologia operacyjna zrobiła przez ostatnich dziesięć lat.
Skala problemu tłumaczy, dlaczego akurat te godziny mają wagę. Cyklony tropikalne odpowiadają za ponad 700 tysięcy zgonów i 1,4 biliona dolarów strat gospodarczych w ciągu ostatnich pięćdziesięciu lat. Ewakuacja portu, zamknięcie rafinerii, rozstawienie sprzętu ratowniczego, decyzja o wyprowadzeniu ludzi z wybrzeża: wszystko to jest funkcją tego, ile godzin wcześniej wiadomo, gdzie i z jaką siłą uderzy sztorm.
Model dostał do nauki dwa zupełnie różne zbiory. Prawie 20 terabajtów globalnych danych atmosferycznych i bazę IBTrACS z niemal pięcioma tysiącami historycznych sztormów. Uczenie od początku do końca na obu naraz jest tu sednem pomysłu.
Jeden model zamiast dwóch, czyli koniec kompromisu prognostów
Prognozowanie cyklonu zawsze wymagało rozdwojenia jaźni. Tor sztormu prowadzą wielkoskalowe prądy atmosferyczne, które najlepiej opisują zgrubne modele globalne. Siłę sztormu napędzają drobnoskalowe procesy termodynamiczne wokół jego oka, a te wymagają wyspecjalizowanych modeli regionalnych o wysokiej rozdzielczości. Prognosta pracował z dwoma narzędziami i sam składał obraz w głowie.
WeatherNext Cyclones robi obie rzeczy naraz. Do generowania zespołów prognoz używa funkcyjnych sieci generatywnych, co pozwala przedstawić niepewność jako rozkład prawdopodobieństwa, a nie jedną linię na mapie. Rok temu system produkował 50 wariantów naraz, tyle co globalne modele fizyczne. W tym sezonie zespół zwiększył go do tysiąca członków, żeby wyłapywać zdarzenia rzadkie i katastrofalne, na czele z gwałtowną intensyfikacją.
„Jesteśmy teraz w stanie wygenerować pojedynczą piętnastodniową prognozę w mniej niż minutę na jednym układzie TPU, co pozwala prognostom szybko ocenić rozkład prawdopodobieństwa potencjalnie niszczycielskich zdarzeń skrajnych” / „We can now generate a single 15-day forecast in less than a minute on a TPU, empowering forecasters to quickly evaluate the probability distribution of potentially devastating tail-risks”, piszą autorzy w komunikacie DeepMind.
Do otwartych źródeł trafiają trzy warianty:
- WeatherNext Cyclones, wersja działająca operacyjnie w sezonie huraganowym, ta sama, której wyniki opisuje publikacja w „Nature”
- WeatherNext 2, późniejsza aktualizacja wdrożona operacyjnie w październiku
- WeatherNext 2-mini, wersja kompaktowa mieszcząca się na pojedynczym układzie TPU w darmowym notatniku Colab
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.
Huragan Melissa jako test w warunkach bojowych
Model nie jest ćwiczeniem laboratoryjnym. W sezonie huraganowym 2025 pomógł amerykańskiemu National Hurricane Center przygotować prognozę dla huraganu Melissa, przewidując gwałtowne wzmocnienie i miejsce wejścia na ląd na Jamajce.
Melissa uderzyła w zachodnią Jamajkę 28 października 2025 roku jako huragan piątej kategorii z wiatrem sięgającym 300 kilometrów na godzinę i ciśnieniem 892 hektopaskali. Najsilniejszy sztorm, jaki kiedykolwiek zarejestrowano nad tą wyspą. Premier Andrew Holness nie owijał w bawełnę: „Nie ma w tym regionie infrastruktury, która wytrzymałaby piątą kategorię” / „There is no infrastructure in the region that can withstand a Category 5”. Bilans zamknął się liczbą dziewięćdziesięciu trzech ofiar i miliardowymi zniszczeniami.
Dodatkowa doba ostrzeżenia w takim scenariuszu nie jest statystyką. To różnica między ewakuacją a jej brakiem.
Cieszę się z tej publikacji i mam wobec niej jedno zastrzeżenie. Cieszę się, bo otwarte wagi modelu, który realnie ratuje życie, to dokładnie ten rodzaj decyzji, jakiego oczekuję od firm operujących na tej skali. Agencja meteorologiczna w kraju o skromnym budżecie dostaje narzędzie, na które nigdy by sobie nie pozwoliła, i może je uruchomić na jednym układzie obliczeniowym.
Zastrzeżenie dotyczy czegoś innego. Autorzy sami przyznają, że nie rozumieją do końca, skąd ich model bierze informację o intensywności sztormu przy tak zgrubnych danych wejściowych. W nauce takie zdanie jest uczciwe i zdrowe. W systemie ostrzegania przed katastrofą naturalną jest niepokojące. Prognosta, który wydaje komunikat o ewakuacji, bierze na siebie odpowiedzialność za decyzję, której mechanizmu nie potrafi prześledzić. Pytam więc: czy jesteśmy gotowi na sytuację, w której model i fizyka mówią coś innego, a zegar tyka? Kto podejmuje wtedy decyzję i kto za nią odpowiada?
Piotr Wolniewicz, Redaktor Naczelny AIPORT.pl
Rozdzielczość przestała być warunkiem dokładności
Najciekawszy naukowo wynik tej pracy jest zupełnie niepozorny. Przez lata w meteorologii obowiązywało przekonanie, że dokładna prognoza intensywności wymaga bardzo wysokiej rozdzielczości przestrzennej. WeatherNext Cyclones pracuje na siatce 28 na 28 kilometrów, około stukrotnie zgrubniejszej niż tradycyjne modele regionalne. Wersja mini radzi sobie dobrze przy 111 kilometrach.
Naukowcy z zespołu przyznają wprost, że ich to zaskoczyło i że mechanizm pozostaje otwartym pytaniem badawczym. Właśnie dlatego udostępnili wagi. Bez społeczności badawczej sami tego nie rozwiążą.
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.
Polska huraganów nie ma, ale traci przez pogodę 6 miliardów złotych rocznie
Cyklony tropikalne nad Bałtyk nie docierają i nie dotrą. Rachunek za pogodę i tak rośnie.
Instytut Ochrony Środowiska szacuje w „Atlasie skutków zjawisk ekstremalnych w Polsce”, że kraj traci z tego powodu średnio 6 miliardów złotych rocznie, a przez niespełna dwie dekady bezpośrednie straty sięgnęły około 115 miliardów. Polska Izba Ubezpieczeń podaje, że w 2024 roku ubezpieczyciele wypłacili z tytułu żywiołów 3,7 miliarda złotych, o 64,1 procent więcej niż rok wcześniej. Ta sama izba zestawia dwie dekady: w latach 1981–1990 notowano średnio 79 katastrof naturalnych rocznie, w ostatniej dziesięciolatce już 186.
Techniczne przełożenie jest bezpośrednie. IMGW-PIB udostępnia od października ubiegłego roku prognozy z systemu AIFS, czyli modelu opartego na uczeniu maszynowym, który ECMWF wdrożył operacyjnie 25 lutego 2025 roku w wersji deterministycznej, a 1 lipca w wersji zespołowej. Centrum Modelowania Meteorologicznego prowadzi na modele.imgw.pl dwie realizacje AIFS, w tym prognozę średnioterminową dla Polski na dziesięć dni. Polski instytut nie musi więc zaczynać od zera. Musi natomiast odpowiedzieć na pytanie, czy chce zostać odbiorcą modeli budowanych gdzie indziej, czy współtwórcą.
Otwarte wagi WeatherNext akurat tę drugą drogę otwierają szerzej niż cokolwiek, co pojawiło się w tej dziedzinie do tej pory. Sztormów tropikalnych w tym modelu nie potrzebujemy. Globalnej prognozy pogody, która działa w minutę zamiast w godziny, już tak.
Źródła i metodologia
Artykuł powstał na podstawie analizy redakcji AIPORT.pl oraz dodatkowych źródeł, w tym oficjalnego komunikatu Google DeepMind z dnia 06.08.2026 oraz publikacji Operational Tropical Cyclone Forecasting with AI w „Nature”, a także materiałów Engadget, unite.ai, Światowej Organizacji Meteorologicznej i raportu National Hurricane Center dotyczącego huraganu Melissa. Dane o polskim rynku pochodzą z opracowań Polskiej Izby Ubezpieczeń, Instytutu Ochrony Środowiska oraz Centrum Modelowania Meteorologicznego IMGW-PIB. Cytat Andrew Holnessa, premiera Jamajki, oraz wypowiedzi zespołu WeatherNext zostały zweryfikowane z oryginalnymi anglojęzycznymi materiałami źródłowymi. Komentarz redakcyjny i ocena kontekstu branżowego: Piotr Wolniewicz, Redaktor Naczelny AIPORT.pl. Artykuł będzie aktualizowany w miarę pojawiania się nowych informacji o wdrożeniach modeli WeatherNext w europejskich służbach meteorologicznych.
