Deepminds neue Wetter-KI sagt tropische Wirbelstürme präziser voraus als spezialisierte Modelle, und das mit hundertfach gröberen Daten. Wie genau sie das schafft, ist selbst den Entwicklern nicht klar.
Google Deepmind stellt mit WeatherNext Cyclones, kurz WN-C, ein KI-System für die Vorhersage tropischer Wirbelstürme vor, das rund einen Tag weiter in die Zukunft blicken kann als führende operative Modelle. Die Verbesserung entspreche in etwa dem Fortschritt, den klassische Wettermodelle in den vergangenen zehn Jahren erzielt haben.
Entwickelt wurde das Modell gemeinsam mit dem National Hurricane Center (NHC), dem Cooperative Institute for Research in the Atmosphere und dem UK Met Office. Seit Juni 2025 laufen die Vorhersagen live auf Googles Weather Lab. Bei Hurrikan Melissa, der 2025 in Jamaika auf Land traf, half das Modell dem NHC laut Deepmind, die rapide Intensivierung des Sturms rechtzeitig vorherzusagen. Dabei legt ein Sturm innerhalb von 24 Stunden um mindestens 30 Knoten (rund 55 km/h) an Windgeschwindigkeit zu.
Jahrzehntealter Zielkonflikt
Wirbelsturmvorhersagen litten bislang unter einem Trade-off: Globale Modelle wie das ECMWF-Ensemble (ENS) sind stark bei der Zugbahn, aber zu grob für die Intensität. Spezialisierte Regionalmodelle wie NOAAs Hurricane Analysis and Forecast System (HAFS) liefern präzisere Intensitäten, verlieren dafür bei der Zugbahn. WN-C bearbeitet laut einem in Nature veröffentlichten Paper beides in einem System.
Bei einer Vorhersage fünf Tage im Voraus liegt die geschätzte Position des Sturmzentrums im Schnitt 230 Kilometer neben dem tatsächlichen Ort, verglichen mit 370 Kilometern bei ENS und 335 Kilometern bei Deepminds Vorgängermodell GenCast. Bei der 3-Tage-Intensitätsprognose ist WN-C 3,75 Knoten (rund 7 km/h) genauer als HAFS.
Auch bei den Wahrscheinlichkeitsprognosen zur Sturmstärke schneidet WN-C über viele Vorhersagehorizonte hinweg mehr als doppelt so gut ab wie ENS und GenCast. Für die Wahrscheinlichkeit von 64-Knoten-Winden, ab denen ein Sturm Hurrikan-Stärke erreicht, liefert das Modell laut Deepmind zudem einen höheren praktischen Nutzen für Entscheidungen als ENS.
Grobe Daten, präzisere Vorhersagen
WN-C arbeitet mit einem Datenraster, bei dem jeder Messpunkt etwa 28 Kilometer Fläche abdeckt, rund hundertmal grober als bei spezialisierten Regionalmodellen. Selbst eine kompakte Variante mit 111 Kilometern pro Rasterpunkt liefert laut Deepmind wettbewerbsfähige Ergebnisse.
“Hohe Auflösung ist keine strikte Voraussetzung für Intensitätsprognosen auf dem neuesten Stand”, schreiben die Autoren. In den grobkörnigen Wetterdaten stecke offenbar mehr Information über die Sturmstärke als bislang gedacht. Wie die Modelle bei dieser groben Auflösung so genaue Vorhersagen erzeugen, bleibt laut Deepmind eine offene Forschungsfrage.
Funktionale Generative Netzwerke statt Diffusion
Technisch setzt WN-C auf Functional Generative Networks (FGN). Während GenCast auf Diffusion basiert, ein Verfahren, das vor allem aus KI-Bildgeneratoren bekannt ist, und pro Vorhersageschritt dutzende Durchläufe durch das neuronale Netz benötigt, kommt FGN mit einem einzigen aus und ist damit achtmal schneller.
Um Unsicherheit abzubilden, wird nicht wie sonst üblich Rauschen auf einzelne Bildpunkte gelegt, sondern gezielt in die Steuerungsschichten des Netzwerks eingespeist. Dadurch entstehen unterschiedliche, aber physikalisch stimmige Szenarien, statt nur verrauschte Varianten desselben Bildes.
Wichtig war das Training auf zwei sehr unterschiedlichen Datenquellen: nahezu 20 Terabyte globaler Atmosphärendaten aus ECMWF-Analysen sowie eine kuratierte Datenbank mit knapp 5.000 historischen Wirbelstürmen. Damit das Modell beide Welten gemeinsam lernen kann, werden die tabellarischen Sturminformationen, also Position, Intensität und Ausdehnung eines Sturms, auf dasselbe geografische Raster projiziert wie die Wetterdaten.
So kann das Netzwerk Zugbahn, Intensität und Windradien direkt vorhersagen. Ablationsstudien im Paper zeigen, dass gerade dieses gemeinsame Training den Ausschlag für die Verbesserungen gibt. Ablationsstudien im Paper zeigen, dass gerade dieses gemeinsame Training den Ausschlag für die Verbesserungen gibt.
1000 Szenarien pro Sturm
Weil eine 15-Tage-Vorhersage auf einem KI-Beschleuniger von Google unter einer Minute läuft, konnte Deepmind die Zahl paralleler Vorhersageläufe von 50 auf 1.000 erhöhen. Solche großen Simulationsmengen könnten helfen, seltene Extremereignisse zuverlässiger abzubilden. Beim Critical Success Index, der korrekte Warnungen gegen Fehlalarme und verpasste Ereignisse abwägt, steigt der Wert laut Paper von unter 0,3 auf 0,5.
Ergänzung, nicht Ersatz
Klassische numerische Modelle bleiben laut Deepmind jedoch relevant. Das NHC kombiniert für seine offiziellen Vorhersagen üblicherweise die Ergebnisse mehrerer physikalischer Modelle zu einem Mittelwert, getrennt für Zugbahn (TVCN) und Intensität (IVCN). In einer simulierten, gewichteten Ergänzung dieser Konsensmodelle verbessert WN-C die Zugbahnprognose im Schnitt um 28 Prozent, bei der Intensität sind es rund 6 Prozent. Der kleinere Zuwachs bei der Intensität zeige, dass die klassischen Modelle dort weiter viel beitragen.
Deepmind hat Code und Gewichte von WeatherNext 2 und WeatherNext Cyclones auf GitHub frei verfügbar gemacht. Die Mini-Variante lässt sich in einem kostenlosen Colab-Notebook auf einer einzelnen TPU ausführen. Für offizielle Warnungen verweisen die Autoren weiter auf nationale Wetterdienste; WN-C soll Prognostiker bei ihren Entscheidungen unterstützen.
Vergangenes Jahr hatte Deepmind mit WeatherNext 2 die zugrundeliegende Wetter-KI vorgestellt, die nun samt Zyklon-Variante quelloffen verfügbar ist. Bereits im Juni 2025 hatten Deepmind und Google Research mit Weather Lab eine Plattform speziell für die Vorhersage von Wirbelstürmen gestartet, aus deren experimentellem Modell jetzt WeatherNext Cyclones geworden ist. Die Zusammenarbeit mit NHC und CIRA bestand schon damals.
Davor hatte Deepmind mit GenCast Ende 2024 erstmals ein probabilistisches Wettermodell veröffentlicht, das ECMWFs Ensemble übertraf und ebenfalls quelloffen bereitgestellt wurde. WN-C ersetzt dessen Diffusionsansatz durch das schnellere FGN-Verfahren und erweitert den Aufgabenbereich systematisch auf tropische Wirbelstürme.
Der wissenschaftliche Erfolg fällt in eine ohnehin stürmische Phase für Deepmind: CEO Demis Hassabis hat kürzlich die operative Leitung abgegeben und ist Chief Scientist von Alphabet geworden, zeitgleich verließ Chefforscher Jeff Dean das Unternehmen nach 27 Jahren, um mit weiteren hochrangigen Forschern das eigene KI-Startup Discovery Loop zu gründen.
KI-News ohne Hype – von Menschen kuratiert
Mit dem THE‑DECODER‑Abo liest du werbefrei und wirst Teil unserer Community: Diskutiere im Kommentarsystem, erhalte unseren wöchentlichen KI‑Newsletter, 6× im Jahr den “KI Radar”‑Frontier‑Newsletter mit den neuesten Entwicklungen aus der Spitze der KI‑Forschung, bis zu 25 % Rabatt auf KI Pro‑Events und Zugriff auf das komplette Archiv der letzten zehn Jahre.
