Google DeepMind veröffentlicht WeatherNext 2 und WeatherNext Cyclones als Open Source. Der bemerkenswerte Teil ist nicht ein weiterer Wetter-Chatbot, sondern ein Modell, das bei Zugbahn, Intensität und Windstruktur tropischer Wirbelstürme im Mittel einen ganzen Tag an Vorlauf gewinnen soll.
Die Ankündigung vom 6. August stützt sich auf ein zugleich veröffentlichtes Nature-Paper. DeepMind formuliert die Vergleichsmetrik bewusst greifbar: Die Drei-Tage-Prognose von WeatherNext erreiche eine Genauigkeit, für die frühere Modelle zwei Tage hatten. Das ist ein Benchmark-Ergebnis, keine Zusage für einen einzelnen Sturm – operativ ist genau diese Differenz aber relevant, weil Warnungen, Evakuierung und Netz- beziehungsweise Logistikplanung von Stunden abhängen.
Ein Modell für die bisherige Aufteilung
Traditionell stehen globale Modelle und lokale Zyklonmodelle in einem Zielkonflikt: Große atmosphärische Strömungen bestimmen die Route, Prozesse um das Auge eines Sturms die Intensität. WeatherNext soll beides in einem Modell zusammenführen und Route, Intensität sowie Windstruktur vorhersagen. Für die aktuelle Saison erzeugt das System pro Zyklon ein Ensemble aus 1.000 Szenarien; daraus entstehen lokale Wahrscheinlichkeitskarten für tropische Sturm- bis Hurrikanwinde – bis zu 15 Tage voraus.
| Artefakt | Praktische Bedeutung |
|---|---|
| WeatherNext Cyclones | Gemeinsame Vorhersage von Track, Intensität und Windstruktur |
| 1.000er-Ensemble | Probabilistische Windkarten statt eines einzelnen deterministischen Pfads |
| Open-Source-Code und -Modelle | Wetterdienste und Forschung können evaluieren, anpassen und lokal integrieren |
Warum die Veröffentlichung mehr ist als ein Benchmark
Der produktive Wert liegt in der Kombination aus Modellgewichten, Code, Paper und der Zusammenarbeit mit dem US National Hurricane Center sowie dem UK Met Office. Das verschiebt WeatherNext von einer Demo in Richtung überprüfbarer Infrastruktur: Teams können historische Ereignisse gegen ihre bisherigen Verfahren laufen lassen, regionale Schwellenwerte testen und Unsicherheit explizit in Entscheidungsprozesse übernehmen.
Ein Ensemble ersetzt keine Warnkette. Es macht aber sichtbar, wie breit die plausible Risikozone ist – und genau diese Unsicherheit wird in der Einsatzplanung oft unterschätzt.
Die Vorsicht bleibt wichtig: DeepMind verweist selbst darauf, für offizielle Warnungen die zuständigen nationalen Wetterdienste zu nutzen. Für KI- und Infrastrukturteams ist WeatherNext trotzdem ein Signal: Der Reifegrad von Open-Weight-Modellen wird zunehmend daran gemessen, ob sie nicht nur einen Score verbessern, sondern probabilistische Outputs, Reproduzierbarkeit und eine belastbare operative Schnittstelle mitbringen.
Quellen: Google DeepMind, 6. August 2026; Repository: google-deepmind/weathernext; Nature, 6. August 2026.
Leave a Reply