Googles WeatherNext 2 liefert Prognosedaten über Earth Engine, BigQuery und Vertex AI aus

Was das Modell konkret verspricht

Google DeepMind und Google Research geben an, dass WeatherNext 2 Prognosen 8-mal schneller als der Vorgänger erstellt, mit einer Auflösung von bis zu einer Stunde. Ausgehend von einem einzigen Startpunkt erzeugt das Modell Hunderte mögliche Wetterszenarien, und laut Ankündigung dauert jede Vorhersage weniger als eine Minute auf einer einzelnen TPU.

Der Vergleichsanspruch ist ungewöhnlich präzise: WeatherNext 2 übertrifft das bisherige WeatherNext-Modell bei 99,9 % der Variablen – Temperatur, Wind, Luftfeuchtigkeit – über Vorlaufzeiten von 0 bis 15 Tagen. Diese Aussage ist ein direkter Vergleich mit Googles eigenem bisherigen Spitzenmodell, kein Vergleich mit physikbasierten Systemen – wobei der Beitrag anmerkt, dass ein gleichwertiges physikbasiertes Ensemble auf einem Supercomputer Stunden benötigen würde.

Der Trick: von Randverteilungen zu gemeinsamen Verteilungen

Den technischen Kern bildet das sogenannte Functional Generative Network (FGN), das Rauschen direkt in die Modellarchitektur einspeist, damit generierte Prognosen physikalisch plausibel und miteinander verknüpft bleiben. Die interessante Designentscheidung liegt darin, worauf das Modell trainiert wird – im Vergleich zu dem, was es letztlich liefert.

Laut dem Beitrag wird das Modell nur auf 'Randverteilungen' trainiert – einzelne Größen wie die Temperatur an einem Punkt oder die Windgeschwindigkeit auf einer bestimmten Höhe – lernt dabei aber, 'gemeinsame Verteilungen' vorherzusagen, also die miteinander verknüpften Systeme, in denen all diese Einzelteile zusammenwirken. Google beschreibt dies als die Fähigkeit hinter den nützlichsten Ausgaben des Modells, etwa der Erkennung ganzer Regionen mit extremer Hitze oder der erwarteten Leistung eines Windparks.

Das Neuartige an unserem Ansatz ist, dass das Modell nur auf diesen Randverteilungen trainiert wird. Aus diesem Training heraus lernt es dennoch, 'gemeinsame Verteilungen' treffsicher vorherzusagen – große, komplexe, miteinander verknüpfte Systeme, die davon abhängen, wie all diese einzelnen Teile zusammenwirken.Montana Labs

Die eigentliche Nachricht ist die Verteilung

Die Ankündigung beschränkt sich nicht auf die Modellqualität. Die Prognosedaten von WeatherNext 2 sind jetzt in Earth Engine und BigQuery verfügbar, ergänzt durch ein Early-Access-Programm auf Vertex AI für individuelle Modellinferenz. Das bedeutet: Entwickler können Prognosen über ein Data Warehouse und einen Geodatenkatalog abfragen, ohne einen eigenen Inferenz-Stack aufbauen zu müssen.

Gleichzeitig erklärt Google, dass die Technologie nun das Wetter in Search, Gemini, Pixel Weather und der Maps Platform Weather API verbessert – Google Maps soll in den kommenden Wochen folgen. Dieselbe Forschung erreicht also gleichzeitig zwei Zielgruppen: Entwickler, die sie als Daten nutzen, und Endnutzer, die den Modellnamen nie zu Gesicht bekommen.

Die konkrete Auswirkung: Günstige Ensembles verändern, wer sich probabilistische Prognosen leisten kann

Der entscheidende Satz lautet: 'Hunderte mögliche Wetterausgänge' in 'weniger als einer Minute auf einer einzelnen TPU'. Probabilistische Ensemble-Prognosen waren historisch durch verfügbare Supercomputer-Rechenzeit limitiert – und genau deshalb waren die für die Planung wichtigsten Worst-Case-Szenarien in großem Maßstab teuer zu erstellen.

Indem Google diese Kosten drastisch senkt und die Ergebnisse über BigQuery und Earth Engine bereitstellt, rückt szenariobasierte Prognostik in Reichweite von Teams, die niemals ein physikbasiertes Ensemble hätten betreiben können – Supply-Chain-Planer, Energieversorger, Logistikunternehmen. Offen bleibt in dem Beitrag, wie es um Preisgestaltung, Latenzgarantien und Aktualisierungsintervalle dieser Endpunkte steht – genau das wird entscheiden, ob es sich um einen nutzbaren operativen Feed oder lediglich um eine Forschungsvorschau mit Abfrageschnittstelle handelt.