Model AI DeepMind przewiduje huragany z dobą wyprzedzenia więcej niż dotychczasowe systemy
W skrócie
- Model WeatherNext od Google DeepMind daje meteorologom średnio jeden dodatkowy dzień wyprzedzenia w prognozowaniu cykli tropikalnych w porównaniu z tradycyjnymi modelami numerycznymi.
- W październiku 2025 roku model przewidział z 80-procentową pewnością, że huragan Melissa uderzy w Jamajkę jako huragan kategorii 5 — pięć dni przed lądowaniem, gdy sztorm był jeszcze na poziomie kategorii 1.
- Google DeepMind udostępniło modele WeatherNext jako open source, aby społeczność naukowa mogła je rozwijać i lepiej rozumieć mechanizmy powstawania cyklonów.
Opublikowane w czwartek w czasopiśmie „Nature" badanie pokazuje, że model sztucznej inteligencji WeatherNext, opracowany przez Google DeepMind i Google Research, potrafi przewidywać cyklony tropikalne z bezprecedensową dokładnością. Średnio daje meteorologom jeden dodatkowy dzień wyprzedzenia w stosunku do dotychczasowych systemów — co oznacza, że jego prognoza trzy dni przed lądowaniem sztormu jest tak samo trafna jak prognoza tradycyjnych modeli z zaledwie dwudniowym wyprzedzeniem arstechnica.com.
Huragan Melissa jako test rzeczywistości
W październiku 2025 roku nad Morzem Karaibskim rozwinął się układ burzowy, co do którego modele pogodowe były podzielone: czy pozostanie słaby i skieruje się na Haiti, czy też gwałtownie się wzmocni i uderzy w Jamajkę? WeatherNext wybrał ten drugi scenariusz — pięć dni przed lądowaniem przewidział z 80-procentową pewnością, że sztorm dotrze do Jamajki jako huragan kategorii 5 arstechnica.com.
Huragan Melissa okazał się katastrofalny, wywołując powodzie i osuwiska na całej wyspie. Był to jednak pierwszy przypadek w historii, gdy Narodowe Centrum Huraganów (National Hurricane Center) zdołało przewidzieć huragan kategorii 5 już w momencie, gdy sztorm znajdował się jeszcze na poziomie kategorii 1. Wcześniejsze ostrzeżenie pozwoliło społecznościom na lepsze przygotowanie się do żywiołu arstechnica.com.
„Nawet kilka godzin może zrobić różnicę" — mówi Mike Brennan, dyrektor Narodowego Centrum Huraganów. Organizowanie ewakuacji, rozmieszczanie zapasów i przesuwanie zasobów ratowniczych to zadania niezwykle wrażliwe na czas, a błędna decyzja może mieć poważne konsekwencje. „Czas jest naprawdę na wagę złota, gdy chodzi o tego rodzaju decyzje, więc możliwość przesunięcia dokładności prognoz o cały dzień dalej niż dotychczas jest naprawdę cenna" — dodaje Brennan arstechnica.com.
Dla porównania: historycznie uzyskanie takiego postępu — przesunięcie trafnej prognozy o jeden dzień do przodu — wymagało dekady pracy badawczej arstechnica.com.
Dlaczego prognozowanie huraganów jest tak trudne
Huragany są wyjątkowo trudne do modelowania, ponieważ działają jednocześnie na wielu skalach przestrzennych — wyjaśnia Kate Musgrave, szefowa grupy ds. cyklonów tropikalnych w Cooperative Institute for Research in the Atmosphere i współautorka badania. Prognozowanie toru sztormu wymaga danych o skali globalnej: położenia frontów chłodnych, dominujących wiatrów. Prognozowanie intensywności wymaga natomiast danych o znacznie mniejszej skali, skupionych na lokalnych warunkach atmosferycznych i oceanicznych arstechnica.com.
„To coś, czego po prostu nie uzyskujemy z globalnych modeli" — mówi Musgrave. Wcześniejsze modele AI radziły sobie z prognozowaniem toru, „ale z intensywnością nie dawały sobie rady w ogóle" arstechnica.com.
Tymczasem WeatherNext robi jedno i drugie — i to korzystając z danych atmosferycznych o stosunkowo niskiej rozdzielczości, co zaskoczyło całe środowisko naukowe. „Kiedy powiedzieliśmy społeczności, że nasz model używa tylko stosunkowo grubej rozdzielczości, byli w szoku, bo to oznacza, że dane o niższej rozdzielczości zawierają więcej sygnału o tym, co nastąpi, niż wcześniej sądzono" — mówi Ferran Alet, naukowiec z Google DeepMind i jeden z głównych autorów pracy arstechnica.com.
Jak dokładnie model wyciąga te informacje z danych niskiej rozdzielczości — tego badacze sami nie wiedzą. „To czarna skrzynka, ale daje fizykom sygnał, że dzieje się coś, czego wcześniej nie rozumiano" — przyznaje Alet arstechnica.com.
Tysiąc scenariuszy zamiast jednej prognozy
WeatherNext nie generuje jednej prognozy — produkuje całe spektrum możliwych scenariuszy dla rozwijającego się sztormu. Pozwala to uchwycić potencjalny „efekt motyla", gdzie małe odchylenie od trendu może prowadzić do znacznie większych zmian w dalszej perspektywie. Meteorolodzy mogą korzystać z tych wyników równolegle z innymi modelami, by kształtować swoje prognozy arstechnica.com.
W ubiegłym roku model generował 50 scenariuszy na jeden sztorm; teraz tworzy ich 1000. „To coś, czego przy naszej mocy obliczeniowej po prostu nie możemy zrobić z istniejącymi modelami numerycznymi" — podkreśla Musgrave arstechnica.com.
Wyniki modelu zaskoczyły nawet samych badaczy. „Rezultaty były tak dobre, że byliśmy sceptyczni, czy faktycznie zobaczymy to w demonstracji w czasie rzeczywistym" — przyznaje Musgrave. Gdy jednak meteorolodzy zaczęli włączać model do swoich operacji, wysoka skuteczność się potwierdziła. „Myślę, że wszyscy byli zaskoczeni tym, jak dobrze sobie poradził" — dodaje arstechnica.com.
Brennan zaznacza jednak, że model DeepMind to doskonałe nowe narzędzie, ale tylko jedno z wielu. „Nie ma gwarancji, że jeden model, który dobrze sprawdził się w zeszłym roku lub przy konkretnym sztormie, będzie najlepszy w następnym sezonie lub przy następnym huraganie" — mówi. Podkreśla też, że czynnik ludzki pozostaje kluczowy: „Huragan to nie tylko prognoza toru czy intensywności. Wymaga ekspertów, którzy przełożą to na informację o skutkach — a to właśnie skutki zabijają ludzi" arstechnica.com.
Open source i nadzieje na odkrycia naukowe
Google DeepMind ogłosiło, że udostępnia modele WeatherNext używane podczas sezonu huraganowego jako open source, tak aby badacze mogli z nich korzystać i je rozwijać. Alet wyraża nadzieję, że otwarcie modeli dla społeczności naukowej pomoże odkryć nowe mechanizmy rządzące cyklonami arstechnica.com.
„Jestem bardzo podekscytowany odkryciami naukowymi. Myślę, że AI daje nam nowe narzędzia do badania praw wszechświata" — mówi Alet arstechnica.com.
Co to oznacza
Dodatkowa doba wyprzedzenia w prognozowaniu huraganów to nie tylko statystyczna poprawa — to realna różnica między życiem a śmiercią dla setek tysięcy ludzi. Ewakuacja milionowych obszarów przybrzeżnych, rozmieszczenie służb ratowniczych czy zamknięcie portów to procesy, które wymagają czasu. Dotychczas uzyskanie takiego postępu zajmowało naukowcom dekadę; WeatherNext osiągnął to dzięki podejściu łączącemu ogólne modelowanie pogody z wyspecjalizowanym prognozowaniem cyklonów arstechnica.com.
Równie istotny jest fakt, że model działa na danych o niskiej rozdzielczości — co oznacza, że może być stosowany tam, gdzie dostęp do szczegółowych danych atmosferycznych jest ograniczony. To otwiera drogę do lepszych prognoz w krajach rozwijających się, które są szczególnie narażone na skutki huraganów i cyklonów, a jednocześnie dysponują mniejszą infrastrukturą meteorologiczną.
Decyzja o udostępnieniu modeli jako open source ma potencjalnie dalekosiężne konsekwencje. Naukowcy na całym świecie — w tym europejskie centra meteorologiczne — będą mogli analizować, w jaki sposób model „widzi" sygnały w danych niskiej rozdzielczości, co może prowadzić do nowych odkryć w fizyce atmosfery. Dla polskich instytucji, takich jak Instytut Meteorologii i Gospodarki Wodnej, to szansa na włączenie się w globalną sieć badań nad modelowaniem ekstremalnych zjawisk pogodowych, które — wraz z postępującymi zmianami klimatu — coraz częściej dotykają również Europę Środkową.
Szerszy kontekst
Średnio nasz model daje prognostykom dodatkowy dzień dokładności predykcji: nasze prognozy trzydniowe są tak dobre, jak to, co wcześniejsze modele mogły zapewnić tylko na kolejne dwa dni.
NHC bezpośrednio współpracowało z Google DeepMind przy opracowaniu nowego modelu AI do prognozowania huraganów, który był używany eksperymentalnie w sezonie 2025.
W poprzednim sezonie, po raz pierwszy, prognostycy Centrum Huraganów wprost przewidzieli, że huragan Melissa osiągnie intensywność kategorii 5, gdy był zaledwie huraganem kategorii 1 o prędkości 80 mph, w dużej mierze opierając się na wyraźnych projekcjach DeepMind.
Analiza
Najważniejszy wniosek jest taki, że przewaga WeatherNext dotyczy przede wszystkim toru sztormu, a nie intensywności. Według analityka Michaela Lowry'ego, który powołuje się na dane byłego szefa działu w National Hurricane Center Jamesa Franklina, w sezonie 2026 model DeepMind lepiej przewidywał tor niż inne publicznie dostępne prognozy na Atlantyku i we wschodnim oraz centralnym Pacyfiku. Przy prognozie pięciodniowej przewaga sięgała 30 procent wobec prognoz NHC (wg substack.com). Przy intensywności model dotrzymuje jednak kroku oficjalnej prognozie NHC, a w tym roku lepiej wypada HCCA, adaptacyjne narzędzie korygujące błędy najlepszych modeli (wg substack.com). Artykuł opisuje więc sukces, który dotyczy tylko części problemu, a to jest ważne dla oceny, jak daleko sięga ten przełom.
Druga kwestia to sposób wdrażania. Według NHC ośrodek nie zastępuje jednego narzędzia innym. Korzysta z kilku modeli AI, w tym z opracowanego z Google DeepMind i z systemów NOAA oraz ECMWF, a w Biurze przyznaje, że dopiero zaczyna odkrywać, jak je wykorzystać (wg weather.gov). Dyrektor Michael Brennan zwraca uwagę, że modele AI dają bardziej spójne wyniki między kolejnymi przebiegami niż modele fizyczne, a to jeden z powodów, dla których prognozistom łatwiej im zaufać (wg cnn.com). Brennan podkreśla jednocześnie, że nie ma gwarancji, iż model dobry w jednym sezonie okaże się najlepszy w następnym. Sam ośrodek NHC nie łączy też wyników z jednym narzędziem, bo przy takiej skali decyzji zależy on od ludzkiej oceny.
Istotna jest także skala zmiany w samym podejściu. Według DeepMind model generuje obecnie 1000 scenariuszy dla jednego cyklonu, a rok wcześniej było ich 50. Pojedyncza 15-dniowa prognoza powstaje w mniej niż minutę na jednostce TPU, co pozwala ocenić rozkład prawdopodobieństw groźnych, rzadkich zdarzeń (wg deepmind.google). Różnice w dacie prognozy Melissy też warto mieć na uwadze: artykuł mówi o pięciu dniach przed lądowaniem, a CNN o niemal trzech dniach (wg cnn.com). Ta rozbieżność nie zmienia głównego wniosku, ale pokazuje, że przy opisywaniu takich przypadków liczby warto sprawdzać u źródła.