WeatherNext 3: как нейросеть DeepMind меняет точность прогнозов для энергорынка

WeatherNext 3: часовой шаг для энергорынка

Google DeepMind и Google Research выпустили WeatherNext 3 — третье поколение нейросетевой модели прогноза погоды, как сообщает TechCrunch. Впервые выходы модели будут подаваться напрямую в Google Search, Maps и Gemini, заявил старший инженер Google Самьер Мерчант.

Под капотом

WeatherNext 3 — модель глубокого обучения с 2,4× большим числом параметров, чем у предшественника. Архитектурное изменение ключевое: обучение идёт на необработанных атмосферных наблюдениях, а не на подготовленных продуктовых датасетах метеослужб. Шаг прогноза сокращён с шести часов до одного. Разрешение по ключевым переменным — 5 км против типовых 15–25 км² у конкурентов.

На бенчмарке Operational WeatherBench (температура, ветер, влажность) модель обошла разработки Google, Microsoft, Nvidia, ECMWF, а также классические прогнозы Национальной метеослужбы США. Оценки осадков улучшены на 60% относительно WeatherNext 2. Декодер настроен выдавать прогноз под конкретные метеостанции, а не усреднённый по 3D-сетке.

«Погода хаотична, и малые отклонения быстро разрастаются, — отметил Ферран Алет, руководитель научной группы DeepMind. — Машинное обучение решает задачу, которую мы действительно решаем: приближённую зашумлённую физику по неполным данным и ограниченным вычислениям».

Энергорынок и инфраструктура

Bloomberg отдельно выделяет прикладное значение модели для энергорынка. Почасовой шаг меняет расклад: диспетчеры, балансирующие долю солнечных и ветровых мощностей в сети, получают прогноз с горизонтом в часы, а не в полусуточные интервалы. Это прямой сигнал к пересмотру моделей торговли и резервов мощности — пока в виде анонса, а не сертифицированного инструмента.

Незакрытые вопросы

Заявленная точность проверена только на ретроспективных бенчмарках. Поведение модели на экстремальных событиях — волнах тепла, штормах, аномальных засухах — в публичных материалах не детализировано. Независимых стресс-тестов в режиме реального времени нет.

Для практического развёртывания критичны два параметра, которые в релизе не раскрыты: калибровка вероятностных распределений (а не только детерминированных значений) и стоимость инференса на доступном железе. Оба требуют отдельного аудита.

Командам, которым предстоит интеграция подобных систем в критическую инфраструктуру, не хватает кадров с инженерным профилем. Если задача — собрать такую команду с нуля или переподготовить своих специалистов по работе с ML-моделями в продакшене, точка входа — программы подготовки и курсы по инженерии машинного обучения.