Почему старые модели численного прогноза проигрывают нейросетям
Представьте суперкомпьютер размером с ангар. Он неделю жуёт уравнения Навье-Стокса, чтобы сказать, будет ли дождь через три дня. Это традиционный численный прогноз погоды (NWP). Точность – да, но цена и скорость – катастрофа.
AI-модели делают то же самое за минуты, а иногда и секунды, работая на обычных TPU или даже GPU. Они не решают уравнения, а учатся на терабайтах исторических данных. Проблема в другом: какая из этих чёрных коробок действительно понимает физику атмосферы, а какая просто умело запоминает паттерны? Разберём трёх главных претендентов на 2026 год.
WeatherNext 2: генеративная модель, которая не боится хаоса
Версия 2.0 от DeepMind (Google) – это не просто апгрейд. Это смена парадигмы. Первая версия пыталась предсказывать конкретные значения. WeatherNext 2 учится генерировать вероятностные прогнозы. Вместо одного сценария «завтра +15°C» она выдаёт распределение: 70% вероятности, что будет от +14 до +16, 20% – что +12, 10% – что +18.
Архитектурно это гибрид трансформера и диффузионной модели, оптимизированный для работы на TPU v5e. Модель обучена на 40 лет реанализа ERA5, но с критическим дополнением – данными реальных экстремальных событий (ураганы, волны жары), которые искусственно увеличивали в датасете.
Доступ: самый удобный. Полностью интегрирована в Google Earth Engine и BigQuery. Не нужно скачивать 500 ГБ весов – отправляешь запрос через API, получаешь прогноз прямо в свой геодатасет. Для стартапа это рай. Для изоляциониста, который хочет всё локально – ад.
GraphCast 3.0: когда Земля – это граф, а не сетка
GraphCast от Google Research (да, у одной компании два конкурента внутри – классика) пошёл другим путём. Он представляет атмосферные данные как граф, где узлы – точки в 3D-пространстве, а рёбра – физические связи между ними. Версия 3.0, вышедшая в конце 2025, добавила адаптивное разрешение: над океаном граф разреже, над континентами – гуще.
GraphCast 3.0 официально обходит по точности на 5-7 дней классический IFS (Европейский центр прогнозов). Но есть нюанс: его точность резко падает за пределами 10 дней, тогда как WeatherNext 2 за счёт генеративного подхода даёт хоть какую-то осмысленную информацию даже на 15-й день.
Обучение – монструозное. Потребовалось 128 TPU v4 на 4 недели. Но инференс быстрый: прогноз на 10 дней за 2 минуты на одном TPU v5e. Модель открыта, веса можно скачать с GitHub, но для запуска нужен хотя бы один мощный GPU с 32 ГБ памяти. Или опять же Vertex AI.
Сильная сторона – прогноз экстремальных явлений. Графовая структура лучше ловит внезапные связи, например, между температурой поверхности океана и формированием шторма. Слабая – потребляет в 3 раза больше памяти, чем FourCastNet, при инференсе.
FourCastNet 2.5: скорость как единственная цель
Разработка NVIDIA, часть пакета Earth-2 Open Models. Философия проста: максимальная скорость на инференсе. Архитектура основана на Fourier Neural Operators (FNO) – они работают в частотной области, что позволяет обрабатывать глобальные данные за считанные секунды.
Версия 2.5 (апрель 2026) добавила поддержку смешанной точности FP16/INT8, что позволило запускать модель даже на потребительских видеокартах RTX 5000 серии. Прогноз на неделю – 45 секунд на RTX 5090. Это в 4 раза быстрее GraphCast на том же железе.
| Модель | Средняя ошибка (t+5 дней) | Время прогноза | Минимальное железо | Формат выдачи |
|---|---|---|---|---|
| WeatherNext 2 | 1.8°C (ансамбль) | ~4 мин | TPU v5e или Cloud API | Вероятностный, NetCDF/GRIB |
| GraphCast 3.0 | 1.5°C (детерминист.) | ~2 мин | 1x GPU 32 ГБ / TPU v4 | Детерминистский, NetCDF |
| FourCastNet 2.5 | 2.1°C (детерминист.) | ~45 сек | 1x GPU 16 ГБ (RTX 5000+) | Детерминистский, Zarr/NetCDF |
Точность страдает. На 5-й день ошибка по температуре у FourCastNet на 0.6°C выше, чем у GraphCast. Но для приложений, где важна латентность (например, оперативное предупреждение для авиации), это приемлемая плата.
Как выбрать модель: чек-лист перед запуском
1 Определите, что для вас важнее: точность или скорость?
GraphCast лидирует по детерминистской точности на средних сроках. Если вы метеоролог и нуждаетесь в самом точном прогнозе температуры/давления – ваш выбор он. WeatherNext 2 даёт вероятностную картину, что критично для управления рисками. FourCastNet – когда нужно 1000 прогнозов в день и можно пожертвовать 0.5°C точности.
2 Посчитайте бюджет: облако vs своё железо
WeatherNext 2 через Earth Engine – это pay-per-query. Один прогноз на 10 дней для региона 1000x1000 км стоит около $5-7. GraphCast можно запустить на своём GPU, но подготовка данных (те же ERA5) – это отдельная история с парсингом NetCDF. FourCastNet самая дешёвая для локального запуска.
3 Проверьте, какие переменные вам нужны
Все три модели предсказывают базовые параметры: температура, давление, ветер, влажность. Но если вам нужны специфические вещи, как скорость нарастания льда или концентрация озона, смотрите документацию. GraphCast, например, имеет отдельные выходы для 25 атмосферных переменных. WeatherNext 2 фокусируется на 12 основных, но генерирует их ансамбль.
Ошибки, которые превратят AI-прогноз в гадание на кофейной гуще
- Игнорирование исходных данных. Модели обучены на реанализе ERA5. Если вы подаёте на вход данные с другой пространственной сетки или с пропусками – точность рухнет. Всегда приводите входные данные к формату, который ожидает модель. Проще всего это делать через Earth Engine для WeatherNext 2.
- Слепая вера детерминистскому прогнозу. GraphCast и FourCastNet выдают один сценарий. Но атмосфера – хаотическая система. Не принимайте решения по одному запуску. Для GraphCast запускайте несколько раз с небольшими вариациями начальных условий (ансамблирование). WeatherNext 2 делает это сама.
- Прогноз за пределами обученного диапазона. Ни одна модель не видела в данных глобального потепления на 3°C. Если климат продолжит меняться стремительно, к 2030 году все текущие модели могут систематически занижать температуры. Нужно постоянно дообучать на свежих данных.
- Попытка использовать модели для микроклимата. Разрешение лучших моделей – около 25 км. Они не предскажут, будет ли дождь на вашем дачном участке. Для этого нужны даунскейлинг и локальные модели, как те, что обсуждались в статье про прогноз температуры на Raspberry Pi.
Практический совет: начните с WeatherNext 2 через Earth Engine, если у вас нет мощной GPU-инфраструктуры. Это даст понимание, какие прогнозы вообще возможны. Затем, для production, оцените стоимость локального развёртывания GraphCast или FourCastNet. Не пытайтесь обучать модели с нуля – это бессмысленно при наличии готовых весов.
Частые вопросы
Можно ли использовать эти модели для долгосрочного климатического моделирования?
Нет. Они обучены для прогноза на 10-15 дней. Для климатических сценариев (месяцы, годы) нужны принципиально другие архитектуры, учитывающие медленные процессы (океан, ледники). WeatherNext 2, возможно, сможет давать осмысленные вероятностные оценки на месяц, но это пока не проверено.
Какая модель лучше для прогноза осадков?
Осадки – самый сложный параметр. GraphCast 3.0 показывает лучшие результаты по точности локализации дождя/снега. WeatherNext 2 лучше оценивает вероятность экстремальных осадков. FourCastNet часто «размазывает» зону осадков.
Что будет дальше? Куда движется отрасль?
Конвергенция. Следующий шаг – мультимодальные модели, которые принимают на вход не только сеточные данные, но и спутниковые снимки, текстовые отчёты, данные IoT-датчиков. На эту тему интересен проект AlphaEarth Foundations. К 2027-2028 году мы увидим единую «фундаментальную» модель Земли, из которой будут выводиться и прогноз погоды, и оценка урожая, и мониторинг выбросов.
Итог прост. Лидер в AI-прогнозах – тот, кто лучше решает вашу конкретную задачу. Нет единого победителя. Есть три разных инструмента для трёх разных миров. Выбирайте не по хайпу, а по техзаданию. И помните, что даже самая точная нейросеть не отменит зонтик, если вы видите тёмную тучу над головой.
