Das neue Sturmmodell von DeepMind verschafft Meteorologen einen zusätzlichen Tag, und niemand weiß so recht, warum es funktioniert
WeatherNext Cyclones sagt in einem System voraus, wo ein tropischer Sturm hinzieht und wie stark er wird. Dabei werden Daten verwendet, die hundertmal gröber sind als bei Spezialmodellen. Code und Gewichte sind öffentlich.
Google DeepMind hat WeatherNext Cyclones veröffentlicht, ein Vorhersagemodell für tropische Stürme, das etwa einen Tag weiter voraussieht als die besten heute verwendeten Betriebssysteme. Um das ins rechte Licht zu rücken: Ein zusätzlicher Tag der Warnung betrifft die Fortschritte, die die konventionelle Wettermodellierung im vergangenen Jahrzehnt gemacht hat. Das Werk erschien in Nature und wurde gemeinsam mit dem US National Hurricane Center, dem Cooperative Institute for Research in the Atmosphere und dem UK Met Office erstellt.
Die Vorhersage von Zyklonen war schon immer mit einem lästigen Geschäft verbunden. Globale Modelle wie das europäische Ensemblesystem können gut vorhersagen, wohin sich ein Sturm entwickeln wird, sind aber zu grob, um zu sagen, wie stark er werden wird. Spezialisierte regionale Modelle wie das HAFS der NOAA nageln die Intensität fest, driften jedoch auf der Strecke. WeatherNext Cyclones bietet beides in einem System. Im Rahmen einer Fünf-Tage-Vorhersage liegt das geschätzte Sturmzentrum um durchschnittlich 230 Kilometer daneben, im Vergleich zu 370 für das europäische Ensemble und 335 für DeepMinds eigenes früheres GenCast-Modell. Bei dreitägiger Intensität übertrifft es HAFS um etwa 3,75 Knoten. Während des Hurrikans Melissa, der Jamaika im Jahr 2025 traf, half das Modell laut DeepMind den Prognostikern, die schnelle Intensivierung des Sturms rechtzeitig zu erkennen.
Das wirklich Merkwürdige ist die Auflösung. Das Modell arbeitet auf einem Raster, bei dem jeder Punkt etwa 28 Kilometer abdeckt, was etwa hundertmal größer ist als die spezialisierten regionalen Modelle, die es übertrifft. Selbst eine kompakte Variante mit 111 Kilometern pro Startpunkt bleibt konkurrenzfähig. „Eine hohe Auflösung ist keine zwingende Voraussetzung für moderne Intensitätsvorhersagen“, schreiben die Autoren. Ihre ehrliche Schlussfolgerung ist, dass grobe atmosphärische Daten offenbar weit mehr Informationen über die Sturmstärke enthalten, als irgendjemand angenommen hat, und wie genau das Modell diese Informationen extrahiert, ist immer noch eine offene Forschungsfrage.
Zwei technische Entscheidungen leisteten den größten Beitrag zum Erfolg. Anstelle des von GenCast verwendeten Diffusionsansatzes, der pro Schritt Dutzende Durchgänge durch das Netzwerk erfordert, verwendet dieses Modell funktionale generative Netzwerke, die mit einem einzigen Durchgang auskommen und damit achtmal schneller sind. Und anstatt Pixel für Pixel zufälliges Rauschen hinzuzufügen, injiziert es Rauschen in die Kontrollschichten des Netzwerks, was wirklich unterschiedliche, aber physikalisch plausible Szenarien anstelle von unscharfen Varianten einer Antwort erzeugt. Da eine 15-Tage-Vorhersage auf einem Google-KI-Chip mittlerweile in weniger als einer Minute läuft, erhöhte das Team die Anzahl paralleler Szenarien pro Sturm von 50 auf 1.000, was dazu führt, dass seltene Extremereignisse überhaupt auftreten.
Was das für dich bedeutet: Sofern Sie nicht in einem Sturmgebiet leben, werden Sie dies nicht anfassen. Es ist trotzdem wichtig, und zwar aus zwei Gründen. Erstens handelt es sich um einen konkreten Fall, in dem KI eher zu einem echten Gewinn für die öffentliche Sicherheit als zu einem Benchmark-Sieg führt, und der Code und die Modellgewichte stehen auf GitHub unter einer offenen Lizenz, mit einer kleinen Version, die kostenlos auf einem Colab-Notebook läuft. Zweitens legt DeepMind Wert darauf, es als Ergänzung und nicht als Ersatz zu verstehen: Das Hurricane Center kombiniert immer noch mehrere physikbasierte Modelle, und für offizielle Warnungen sollten Sie immer noch auf Ihren nationalen Wetterdienst hören. Diese Zurückhaltung ist in einem Bereich, in dem normalerweise zu viel verkauft wird, bemerkenswert.
Quellen
Quellen: https://deepmind.google/blog/weathernext-ai-model-achieves-breakthrough-in-forecasting-cyclones/
Ein Klimaforscher protokollierte acht Wochen lang den Einsatz von KI-Agenten. Pro Eingabeaufforderung wurde 600-mal mehr Strom verbraucht als bei einer Chat-Nachricht
Zeke Hausfather hat über Claude Code 3,2 Milliarden Token verfolgt und die dahinter stehende Elektrizität geschätzt. Die von den KI-Laboren veröffentlichten Zahlen pro Eingabeaufforderung beschreiben eine Art Verwendung, die fast niemand mehr macht.
