O WeatherNext 2 do Google chega como dados de previsão no Earth Engine, BigQuery e Vertex AI

O que o modelo afirma, com precisão

O Google DeepMind e o Google Research dizem que o WeatherNext 2 gera previsões 8x mais rápido que seu antecessor e com resolução de até uma hora. A partir de um único ponto de partida, ele produz centenas de cenários climáticos possíveis, e o anúncio afirma que cada previsão leva menos de um minuto numa única TPU.

A afirmação de comparação é incomumente específica: o WeatherNext 2 supera o modelo WeatherNext anterior em 99,9% das variáveis — temperatura, vento, umidade — e prazos que vão de 0 a 15 dias. Essa comparação é direta contra o próprio estado da arte anterior do Google, não uma afirmação contra sistemas baseados em física, embora o post observe que o conjunto equivalente baseado em física levaria horas num supercomputador.

O truque de transformar marginais em conjuntos

O núcleo técnico é o que o Google chama de Functional Generative Network (FGN), que injeta ruído diretamente na arquitetura do modelo para que as previsões geradas permaneçam fisicamente realistas e interligadas. A escolha de design interessante é a diferença entre aquilo com que o modelo é treinado e aquilo que ele produz.

Segundo o post, o modelo é treinado apenas em 'marginais' — quantidades isoladas, como temperatura num ponto ou velocidade do vento numa altitude — mas aprende a prever 'conjuntos', os sistemas interligados em que todas essas peças se encaixam. O Google descreve isso como a capacidade por trás de seus resultados mais úteis, como identificar regiões inteiras sob calor extremo ou a produção esperada de energia num parque eólico.

O que há de inovador na nossa abordagem é que o modelo é treinado apenas nessas marginais. Ainda assim, a partir desse treinamento, ele aprende a prever com habilidade 'conjuntos' — sistemas grandes, complexos e interligados que dependem de como todas essas peças individuais se encaixam.Montana Labs

A distribuição é a verdadeira notícia

O anúncio não se limita à qualidade do modelo. Os dados de previsão do WeatherNext 2 já estão no Earth Engine e no BigQuery, com um programa de acesso antecipado no Vertex AI para inferência de modelos personalizados. Isso significa que desenvolvedores podem consultar previsões por meio de um data warehouse e de um catálogo geoespacial, em vez de montar sua própria infraestrutura de inferência.

Ao mesmo tempo, o Google diz que a tecnologia agora aprimora o clima no Search, Gemini, Pixel Weather e na Maps Platform Weather API, com o Google Maps chegando nas próximas semanas. Ou seja, a mesma pesquisa está sendo direcionada para dois públicos ao mesmo tempo: desenvolvedores que a consomem como dados, e consumidores que nunca veem o nome do modelo.

A implicação específica: conjuntos baratos mudam quem pode pagar por previsões probabilísticas

A frase que merece destaque é 'centenas de possíveis resultados climáticos' em 'menos de um minuto numa única TPU'. Historicamente, a previsão probabilística por conjuntos era limitada pelo tempo de supercomputador, e é justamente por isso que os cenários de pior caso — os mais importantes para o planejamento — são caros de gerar em escala.

Ao reduzir drasticamente esse custo e entregar os resultados via BigQuery e Earth Engine, o Google está colocando a previsão baseada em cenários ao alcance de equipes que nunca poderiam rodar um conjunto baseado em física — planejadores de cadeia de suprimentos, operadores de energia, empresas de logística. A questão que o post deixa sem resposta é o preço, as garantias de latência e a frequência de atualização desses endpoints, o que vai determinar se isso é um feed operacional utilizável ou apenas uma prévia de pesquisa com uma interface de consulta.