Google presenta WeatherNext 3, il nuovo modello AI per le previsioni globali

Google DeepMind e Google Research lanciano WeatherNext 3: risoluzione fino a cinque volte superiore al modello precedente e prime valutazioni “live” che lo mettono in testa ai rivali [S1][S2][S3].

Il salto arriva dai dati osservativi. Il modello non si limita agli archivi storici: integra misure in tempo reale, incluse letture satellitari. Così aggiorna più spesso le stime e concentra il dettaglio sugli eventi ad alto impatto. Google segnala progressi sulle precipitazioni, solide e liquide, tra le variabili più difficili da stimare [S1][S2].

Cresce anche la copertura spaziale utile. La visione globale raggiunge una risoluzione fino a 5× rispetto al precedente modello della casa, grazie all’impiego sistematico di osservazioni aggiornate in continuo. “Una delle principali novità è che [WeatherNext 3] va oltre i dati su cui si addestrano la maggior parte dei modelli AI globali”, afferma Samier Merchant, research engineer di Google Research. “Sfruttiamo set di dati osservativi più freschi e più ricchi” [S2].

Arriva poi il riscontro esterno. Brightband ha testato WeatherNext 3 su Operational WeatherBench, la piattaforma che confronta previsioni su variabili chiave come temperatura, vento e umidità. Nelle classifiche pubbliche del banco prova, il modello risulta il più accurato fra i principali sistemi provati, superando altri modelli di deep learning di Google, Microsoft e Nvidia, oltre a previsioni tradizionali del National Weather Service e dell’ECMWF. DeepMind lega a queste verifiche “live” la rivendicazione del primato di accuratezza [S1][S3].

Google prevede un rilascio su prodotti consumer e piattaforme cloud. WeatherNext 3 inizierà ad alimentare le informazioni meteo in Search, Google Maps e nell’assistente Gemini. L’azienda lo renderà disponibile anche a utenti e ricercatori sulle proprie piattaforme cloud. “Per la prima volta alcune variabili core alimenteranno molti prodotti Google”, dice Merchant [S3].

Il confronto con le simulazioni numeriche chiarisce il cambio di passo. I modelli fisici richiedono cicli computazionali costosi e introducono ritardi; i sistemi di deep learning generano previsioni più rapide, attingendo a flussi osservativi in tempo reale e a immagini satellitari. Applicate in Search, Maps e Gemini, stime più aggiornate su pioggia e neve incidono sulle decisioni quotidiane di chi pianifica spostamenti o attività all’aperto [S2][S3].

Per la comunità, Operational WeatherBench offre qualcosa in più di un annuncio. Il confronto pubblico e continuo tra modelli impone un controllo costante delle prestazioni nel mondo reale. Finché queste classifiche resteranno aggiornate, la superiorità rivendicata da Google potrà essere verificata giorno per giorno, anche durante il rollout su prodotti e cloud [S1][S3].