Wat is er gebeurd
TechCrunch meldt dat Google DeepMind en Google Research WeatherNext 3 hebben uitgebracht, een AI-weersvoorspellingsmodel dat weersinformatie gaat leveren voor Google Search, Maps en Gemini, terwijl het ook beschikbaar wordt gesteld aan gebruikers en onderzoekers via de cloudplatforms van Google.
TechCrunch meldt dat WeatherNext 3 belangrijke variabelen kan voorspellen, waaronder temperatuur, windsnelheid en vochtigheid, met een resolutie tot wel 5 kilometer. De outlet meldt ook dat de regenevaluaties met 60% zijn verbeterd vergeleken met WeatherNext 2 en dat het model voorspellingen per uur kan genereren in plaats van de gebruikelijke intervallen van zes uur. Google heeft geen specifieke consumentenbeschikbaarheid of prijzen in de bron gedocumenteerd.
Volgens TechCrunch is WeatherNext 3 2,4 keer groter dan zijn voorganger en is het getraind om de omstandigheden op specifieke weerstations te voorspellen, waardoor voorspellingen kunnen worden gekoppeld aan observaties op de grond. Het model verwerkt ook weersatellietgegevens die elk uur worden verzameld. TechCrunch meldt dat Google dit beschrijft als het eerste AI-model dat rechtstreeks ruwe waarnemingen gebruikt voor een mondiale voorspelling met hoge resolutie, hoewel WindBorne dat onderscheid betwist en zegt dat zijn WeatherMesh 6-model sinds eind 2025 ruwe waarnemingen gebruikt. De bron zegt dat beide systemen nog steeds afhankelijk zijn van nationale weerdatasets, dus volledige directe gegevensassimilatie blijft onopgelost.
Brongegevens: techcrunch.com ↗
Waarom het ertoe doet
Hogere resolutie en frequentere voorspellingen kunnen op AI gebaseerde weersinformatie nuttiger maken voor lokale planning, activiteiten op het gebied van hernieuwbare energie, landbouw en regio's die zich de infrastructuur die traditioneel wordt gebruikt voor numerieke weersvoorspellingen niet kunnen veroorloven. De gerapporteerde resultaten blijven claims van Google en benchmarkevaluaties beschreven door TechCrunch, en geen onafhankelijke bevestiging.
De gerapporteerde veranderingen pakken verschillende praktische zwakke punten van AI-weersystemen aan: grove geografische resolutie, zwakkere neerslagvoorspellingen, onregelmatige updates en afhankelijkheid van voorbewerkte datasets van de overheid. Meer lokale en frequentere voorspellingen zouden beslissingen kunnen verbeteren die afhankelijk zijn van wind, regen en bewolking, inclusief de planning van hernieuwbare energie en landbouwactiviteiten.
TechCrunch zegt dat WeatherNext 3 beter presteerde dan andere deep-learning modellen van Google, Microsoft, Nvidia en het European Center for Medium-Range Weather Forecasts, evenals traditionele voorspellingen van de Amerikaanse National Weather Service en ECMWF, op Operational WeatherBench. Deze resultaten worden hier niet onafhankelijk bevestigd en de bron verstrekt niet de onderliggende scores, testperioden, geografische uitsplitsingen of details die nodig zijn om te beoordelen hoe breed het voordeel van toepassing is.
Interactief mechanisme: hoe het eigenlijk werkt
Ontdek interactief de onderliggende technologie achter deze ontwikkeling.
Which component of an AI application is the machine-learning model itself?
Wat je nu moet bekijken
Bekijk de daadwerkelijke uitrol van het model in Google-producten, de voorwaarden en prijzen voor cloudtoegang en onafhankelijke evaluaties van de prestaties bij moeilijke lokale regenval en extreme weersomstandigheden.
De belangrijkste praktische vraag is toegang. TechCrunch meldt dat WeatherNext 3 Google-producten zal voeden en beschikbaar zal zijn via Google Cloud, maar het artikel stelt niet vast wanneer elke integratie zal verschijnen, welke gebruikers deze zullen ontvangen, welke API's of services erbij betrokken zijn, of wat cloudtoegang zal kosten.
Verder onderzoek moet zich richten op hevige regenbuien, cyclonen, regionale prestaties, kalibratie van voorspellingen en de vraag of de hogere resolutie van het model zich vertaalt in betere beslissingen in plaats van alleen maar meer gedetailleerde resultaten. Het onderscheid tussen opname van ruwe observatie en echte directe data-assimilatie blijft ook een belangrijke technische beperking.