WeatherNext 2: โมเดลพยากรณ์อากาศที่ล้ำหน้าที่สุดของ Google DeepMind

 (blog.google)
5 คะแนน โดย GN⁺ 2025-11-19 | 1 ความคิดเห็น | แชร์ทาง WhatsApp
  • WeatherNext 2 คือโมเดลที่ขับเคลื่อนด้วย AI ซึ่ง ยกระดับความแม่นยำและประสิทธิภาพของการพยากรณ์อากาศทั่วโลกอย่างมาก
  • สร้าง สถานการณ์สภาพอากาศ ได้หลายร้อยแบบภายในไม่ถึง 1 นาทีบน TPU เพียงตัวเดียว และให้ ความเร็วในการพยากรณ์มากกว่ารุ่นเดิม 8 เท่า
  • ด้วยสถาปัตยกรรม Functional Generative Network(FGN) แบบใหม่ ทำให้ยังคง การพยากรณ์ที่สอดคล้องกับหลักฟิสิกส์ และรองรับ ความละเอียดระดับรายชั่วโมง
  • ข้อมูลการพยากรณ์สามารถใช้งานได้บน Earth Engine และ BigQuery และมีความสามารถด้านการอนุมานแบบปรับแต่งได้ผ่านโปรแกรม Early Access ของ Vertex AI
  • เทคโนโลยีนี้ช่วย อัปเกรด ความสามารถด้านสภาพอากาศในบริการต่าง ๆ ของ Google เช่น Search, Gemini, Pixel Weather, Google Maps Platform

ภาพรวมของ WeatherNext 2

  • WeatherNext 2 ที่พัฒนาร่วมกันโดย Google DeepMind และ Google Research เป็น โมเดลพยากรณ์อากาศด้วย AI ที่ให้ ความเร็วมากกว่ารุ่นเดิม 8 เท่า และมี ความละเอียดระดับ 1 ชั่วโมง
    • สร้างสถานการณ์สภาพอากาศที่เป็นไปได้หลายร้อยแบบจากอินพุตเพียงครั้งเดียว
    • การพยากรณ์เสร็จสิ้นภายในไม่ถึง 1 นาทีบน TPU เพียงตัวเดียว ขณะที่ โมเดลซูเปอร์คอมพิวเตอร์แบบอิงฟิสิกส์ แบบเดิมต้องใช้เวลาหลายชั่วโมง
  • โมเดลนี้แสดงประสิทธิภาพเหนือกว่ารุ่นก่อนหน้าใน 99.9% ของตัวแปรและช่วงเวลานำการพยากรณ์ (0~15 วัน) เช่น อุณหภูมิ ความเร็วลม และความชื้น
  • WeatherNext 2 ทำให้สามารถพยากรณ์ความละเอียดสูงได้ทั่วโลก และยังถูกนำไปใช้เพื่อ สนับสนุนการตัดสินใจของหน่วยงานด้านอุตุนิยมวิทยา

แนวทางการสร้างแบบจำลอง AI แบบใหม่

  • WeatherNext 2 ใช้วิธีการสร้างแบบจำลอง AI แบบใหม่ที่เรียกว่า Functional Generative Network(FGN)
    • มีการ ใส่ ‘noise’ ลงในโครงสร้างของโมเดลโดยตรง เพื่อให้ผลการพยากรณ์ยังคง มีความสมจริงทางฟิสิกส์และเชื่อมโยงกันเป็นระบบ
  • แนวทางนี้มีประโยชน์ทั้งต่อการพยากรณ์แบบ ‘marginal’ และ ‘joint’
    • marginal คือองค์ประกอบเดี่ยว เช่น อุณหภูมิของตำแหน่งหนึ่ง ความเร็วลมตามระดับความสูง หรือความชื้น
    • joint คือ ระบบสภาพอากาศขนาดใหญ่ ที่เกิดจากหลายองค์ประกอบรวมกัน ซึ่งจำเป็นต่อการวิเคราะห์ปรากฏการณ์ซับซ้อน เช่น พื้นที่คลื่นความร้อนหรือการคาดการณ์ปริมาณไฟฟ้าจากพลังงานลม
  • แม้โมเดลจะฝึกจากข้อมูล marginal เท่านั้น แต่ก็ เรียนรู้รูปแบบแบบ joint ได้ด้วยตัวเองและนำไปสู่การพยากรณ์เชิงซับซ้อน

การเข้าถึงและการใช้งานข้อมูล

  • ข้อมูลการพยากรณ์ของ WeatherNext 2 เปิดให้ใช้งานบน Google Earth Engine และ BigQuery
    • สามารถค้นหาได้ผ่าน Earth Engine Data Catalog และ BigQuery Analytics Hub
  • บน Google Cloud Vertex AI มีการให้ความสามารถด้าน model inference แบบปรับแต่งได้ ผ่านโปรแกรม Early Access
  • เทคโนโลยีนี้ถูกผสานเข้ากับ Search, Gemini, Pixel Weather และ Weather API ของ Google Maps Platform และมีแผนจะนำไปใช้กับ ฟีเจอร์ข้อมูลสภาพอากาศของ Google Maps ในอนาคต

จากงานวิจัยสู่การใช้งานจริง

  • WeatherNext 2 เป็นตัวอย่างของการ ต่อยอดผลงานวิจัยไปสู่การใช้งานจริง
    • Google เปิดเครื่องมือและข้อมูลเพื่อให้ นักวิจัย นักพัฒนา และธุรกิจทั่วโลก สามารถนำไปใช้แก้ปัญหาที่ซับซ้อนได้
  • ในอนาคตมีแผนจะปรับปรุงประสิทธิภาพของโมเดลอย่างต่อเนื่อง ผ่าน การผสานแหล่งข้อมูลใหม่ และ การขยายการเข้าถึง
  • Google ยังเชื่อมโยงสิ่งนี้เข้ากับ ระบบนิเวศการวิจัย geospatial AI เช่น Earth Engine, AlphaEarth Foundations, Earth AI

เอกสารเพิ่มเติม

  • เผยแพร่ งานวิจัย (arXiv: 2506.10772) ที่เกี่ยวข้องกับ WeatherNext 2
  • มี เอกสารสำหรับนักพัฒนา, Earth Engine Data Catalog, ตัวอย่างคิวรี BigQuery, และ หน้าสมัคร Early Access ของ Vertex AI ให้ใช้งาน
  • โมเดลที่เกี่ยวข้องซึ่งถูกกล่าวถึงร่วมกัน ได้แก่ GenCast (การพยากรณ์สภาพอากาศสุดขั้ว) และ GraphCast (การพยากรณ์ทั่วโลกแบบรวดเร็ว)

บทความที่เกี่ยวข้อง

1 ความคิดเห็น

 
GN⁺ 2025-11-19
ความคิดเห็นจาก Hacker News

  • ฉันติดตามหัวข้อนี้ค่อนข้างลึก และประเด็นที่คนนอกวงการน่าจะสนใจก็คือ โมเดลรุ่นใหม่อย่าง neuralgcm หรือ WeatherNext 1 ล้วนฝึกด้วยฟังก์ชันวัตถุประสงค์ชื่อ CRPS
    วิธีนี้แทบไม่เห็นใช้ในวงการ ML ทั่วไป และฉันเคยเห็นในงานพยากรณ์อากาศเท่านั้น
    สรุปคร่าว ๆ คือเพิ่ม noise แบบสุ่มให้กับอินพุต แล้วฝึกให้ลด loss ปกติลง (เช่น L1) พร้อมกับเพิ่มความแตกต่างระหว่างผลลัพธ์สองชุดที่สร้างจากค่าเริ่มต้นของ noise ที่ต่างกันให้มากที่สุด
    เลยสงสัยว่าวันหนึ่งแนวทางนี้จะถูกนำไปใช้กับ GenAI แบบดั้งเดิมด้วยหรือเปล่า

    • สงสัยว่า noise น่าจะถูกเพิ่มเข้าไปที่ พารามิเตอร์ ของโมเดล ไม่ใช่อินพุตหรือเปล่า
      มันทำให้นึกถึง บทความ Variational Noise
      ถ้าเป็นการใส่ noise ในอินพุต ก็จะดูคล้าย เทคนิค SSL อย่าง DINO
    • ไม่นานมานี้ฉันทำงาน optimization ที่อยากให้ได้เอาต์พุตสองแบบที่ต่างกันโดยตั้งใจ แต่หา heuristic ที่ดีไม่เจอ
      ไม่ได้เกี่ยวกับ GenAI แต่รู้สึกว่า วิธีแบบ CRPS น่าจะช่วยได้
    • แนวทางนี้ทำให้นึกถึง Variational Autoencoder
    • อยากรู้เป้าหมายว่าทำไมถึงใช้วิธีนี้แทน L2 loss
    • ควรอธิบายให้ชัดว่า แม้โมเดลจะเรียนจากข้อมูลในอดีต แต่เวลาใช้งานจริงจะมีการ รัน ensemble หลายครั้งด้วยค่าการสังเกตใหม่

  • ช่วงนี้ฉันรู้สึกว่าพยากรณ์อากาศท้องถิ่นของ Google Search ไม่แม่นอย่างเห็นได้ชัด
    ตั้งแต่หลายสัปดาห์ก่อน มันทำนายซ้ำ ๆ ว่าอุณหภูมิตอนกลางคืนจะต่ำกว่าจุดเยือกแข็ง แต่ความจริงไม่เป็นแบบนั้น
    พื้นที่ของฉันทำนายยากก็จริง แต่แหล่งอื่นที่ไม่ใช่ Google กลับแม่นกว่ามาก
    เลยสงสัยว่า rollout ของโมเดลใหม่นี้เกิดขึ้นไปแล้วจนทำให้แย่ลง หรือจริง ๆ แล้วกำลังจะดีขึ้นในไม่ช้า
    แล้วก็อยากรู้ว่ามีเว็บที่เปรียบเทียบประสิทธิภาพการพยากรณ์ของแต่ละโมเดลตามพื้นที่ได้ไหม

    • Free API ของ Open-Meteo มีประโยชน์มาก
      มันสามารถแสดงกราฟข้อมูลพยากรณ์แยกตามโมเดลได้ และรวมโมเดลหลักไว้หลายตัว
      แต่ยังไม่มี WeatherNext
    • การเทียบประสิทธิภาพโมเดลตามพื้นที่ดูเหมือนควรเป็นฟีเจอร์พื้นฐานมาก แต่ในความจริงกลับแทบไม่มีเลย สงสัยว่าทำไม

  • ในประกาศครั้งนี้เน้นเรื่องความเร็วและจำนวนสถานการณ์ที่เพิ่มขึ้น แต่ฉันรู้สึกว่าคำอธิบายเรื่อง ความแม่นยำที่ดีขึ้น ยังไม่พอ
    ประโยคอย่าง “WeatherNext 2 เร็วขึ้น 8 เท่าและให้ความละเอียดรายชั่วโมง” ฟังดูดี แต่ในฐานะผู้ใช้ สิ่งที่ฉันต้องการจริง ๆ ก็คือ พยากรณ์ที่แม่นยำหนึ่งอัน

    • ประเด็นสำคัญคือ ผู้ใช้ปลายทาง ของผลิตภัณฑ์นี้ไม่ใช่คนทั่วไป
      ตัวชี้วัดอย่างคะแนน CRPS เป็นของสำหรับผู้เชี่ยวชาญ และมันถูกใช้เพื่อแก้ ปัญหา under-dispersion ของโมเดล ensemble แบบดั้งเดิม
      การปรับปรุงแบบนี้จะกลายเป็นรากฐานที่ช่วยเพิ่มความแม่นยำของ พยากรณ์เชิงกำหนด ที่ผู้ใช้ทั่วไปเห็นในท้ายที่สุด
      รายละเอียดทางเทคนิคดูได้ที่ WeatherBench
    • ถ้ามองจากมุมผู้ใช้ทั่วไป คำอธิบายยังไม่เพียงพอ
      หัวใจของการพยากรณ์อากาศคือแนวคิดเรื่อง สถานการณ์ ensemble ที่มีมานานหลายสิบปีแล้ว และ “โอกาสฝนตก 70%” ก็หมายถึงมีฝนใน 70 จาก 100 สถานการณ์
      พูดอีกอย่างคือ ไม่มี “พยากรณ์ที่แม่นยำเพียงหนึ่งเดียว” อยู่จริง
    • ในฐานะผู้ใช้ ฉันก็อยากเห็น การกระจายของความไม่แน่นอน ด้วย
      แอปอากาศหลายตัวนำเสนอสิ่งนี้ในเชิงภาพได้ดี
    • benchmark ที่สำคัญที่สุดคือ ความแม่นยำ และควรเทียบกับโมเดลเชิงฟิสิกส์เดิมที่มีอยู่แล้ว (GFS, ECMWF ฯลฯ)
      โมเดลพวกนี้รันอยู่บนคลัสเตอร์ HPC ขนาดใหญ่ แต่เพราะคำนวณจากศูนย์กลางแล้วกระจายผลลัพธ์ออกไป จึงยังมีประสิทธิภาพ
    • มันเป็นโมเดลที่เรียนจากข้อมูลอดีต แต่ดูเหมือนขาดองค์ประกอบเชิงฟิสิกส์
      เลยสงสัยว่าพื้นฐานทาง ฟิสิกส์ ที่จำเป็นต่อการทำผลงานสูงนั้นอยู่ตรงไหน

  • เอนจินพยากรณ์อากาศของ Google นั้นยอดเยี่ยมอยู่แล้ว และการ ทำนายเส้นทางเฮอร์ริเคน ในฤดูกาลนี้ก็แม่นอย่างน่าทึ่ง
    ขณะที่ Global Forecasting System (GFS) ของรัฐบาลสหรัฐกลับแย่ลงเรื่อย ๆ
    บทความที่เกี่ยวข้อง: ลิงก์ Ars Technica

    • สงสัยว่า “GFS แย่ลง” นี่หมายถึงอะไรอย่างเจาะจง

  • พออ่านบทความแล้วพบว่าไม่ได้ระบุชัดว่าโมเดลต้อง เทรนซ้ำ บ่อยแค่ไหน
    ถ้าโครงสร้างแบบนี้เรียนรู้การกระจายตัวตามภูมิภาค เวลาผ่านไปแพตเทิร์นก็น่าจะเปลี่ยน จึงน่าจะต้องมีการเทรนซ้ำเป็นระยะ
    ถ้าต้องเทรนสัปดาห์ละ 3 วันทุกสัปดาห์ แบบนั้นในเชิงปฏิบัติก็อาจกลายเป็น ปัญหาด้านต้นทุน

  • ทำให้นึกถึงเกร็ดจากสมัยสงครามโลกครั้งที่สอง
    ว่ากันว่า Kenneth Arrow ค้นพบว่าการพยากรณ์ระยะยาวแทบไม่ต่างจากการเดาสุ่ม แต่ผู้บังคับบัญชาตอบว่า “ถึงจะรู้ว่าไม่มีประโยชน์ ก็ยังจำเป็นต่อการวางแผน”

    • ฉันเคยได้ยินในวิชาสถิติว่า จริง ๆ แล้ว อากาศดีมีมากกว่าอากาศแย่มาก
      ดังนั้นแค่พูดว่า “ฝนไม่ตก” ก็จะถูกประมาณ 90% ของเวลา
      แต่ที่น่าขันคือในอดีตพยากรณ์อากาศยังแม่นน้อยกว่านั้นเสียอีก
      ทุกวันนี้โมเดลแม่นอย่างน่าทึ่งจริง ๆ จนพยากรณ์ล่วงหน้า 10 วันก็แทบจะตรง
    • มีการตีความว่า การเสี่ยงทาย ในโลกโบราณก็ไม่ใช่แค่ความเชื่องมงาย แต่เป็น เครื่องมือช่วยตัดสินใจ ที่ทำให้คนลงมือทำผ่านการเลือกแบบสุ่มเมื่อยังตัดสินใจไม่ได้
    • มันทำให้นึกถึงคำพูดของ Eisenhower ที่ว่า “แผนไม่มีประโยชน์ แต่กระบวนการวางแผนจำเป็นอย่างยิ่ง”

  • ช่วงนี้ความแม่นยำของแอปอากาศเริ่มต้นของ Google ลดลง
    บ่อยครั้งคลาดเคลื่อนราว 2~5 องศา
    ฉันลองใช้แอป Weawow ที่มีคนแนะนำใน HN แล้ว ชื่ออาจไม่ค่อยดีแต่ความแม่นยำนั้นยอดเยี่ยม
    เป็นแอปที่พอใจที่สุดเท่าที่เคยใช้มา

  • ฉันยังรู้สึกว่า การพยากรณ์อากาศด้วย AI ยังดูไกลตัวในชีวิตจริง
    ต่อให้เทียบกับยุคที่พ่อแม่ดูพยากรณ์ทางทีวี ความแม่นยำที่รู้สึกได้ก็ไม่ได้ต่างกันมาก
    ทุกวันนี้ก็ยังมีทั้งวันที่พยากรณ์ว่าแดดออกแต่ฝนกลับตกหนัก หรือวันที่บอกว่าฝนจะตกแต่ฟ้ากลับใสทั้งวัน
    ในมุมผู้บริโภค รู้สึกว่าความก้าวหน้าทางเทคโนโลยียังไม่แปลเป็น ความน่าเชื่อถือที่รับรู้ได้จริง

    • มีข้อมูลรองรับ: ตาม Our World in Data ความแม่นยำของพยากรณ์ดีขึ้นอย่างต่อเนื่อง
    • ปัญหาอยู่ที่ วิธีการนำเสนอข้อมูล
      ตัวอย่างเช่น ใน Apple Weather ถ้ามีช่วงใดช่วงหนึ่งของวันมีโอกาสฝนสูง ก็จะแสดงว่าเป็น “วันฝนตก”
      ทั้งที่จริงอาจฝนตกแค่ตอนตี 5 แล้วช่วงที่เหลือของวันฟ้าใสก็ได้
      ผู้ใช้ต้องสามารถ ตีความ ข้อมูลได้ และคงจะดีถ้า AI ช่วย ใส่บริบท ให้พยากรณ์ตามสิ่งที่แต่ละคนสนใจ
    • พยากรณ์อากาศกำลังดีขึ้นอย่างต่อเนื่อง แต่เป็น วิวัฒนาการแบบค่อยเป็นค่อยไป ไม่ใช่นวัตกรรมที่พลิกโลกทันที
      ตัวอย่างเช่น มีการเพิ่มการพยากรณ์ฝนระยะสั้นของ rainbow.ai ลงใน Weathergraph และมันแม่นที่สุดเท่าที่ฉันเคยใช้มา
      แม้แต่ข้อมูลเรดาร์เองก็มี noise มาก และกระบวนการกรองข้อมูลนั้นก็เป็น โมเดล ML อยู่แล้ว
    • ในความเป็นจริง ความแม่นยำดีขึ้นมาก
      พยากรณ์ล่วงหน้า 1 วันเมื่อ 30 ปีก่อน มีความแม่นยำพอ ๆ กับพยากรณ์ล่วงหน้า 4 วันในปัจจุบัน
      แต่ไม่ใช่ว่าเราเข้าใจอากาศดีขึ้นมาก เพียงแต่ พลังการคำนวณ เพิ่มขึ้นอย่างก้าวกระโดด
    • พยากรณ์อากาศทั่วไปเองก็ยังไม่สมบูรณ์แบบอยู่ดี

  • ฉันสงสัยว่าโมเดลนี้ใช้งานได้ที่ไหน
    กำลังมองหาพยากรณ์ระดับไฮเปอร์โลคัลแบบที่ Dark Sky เคยทำไว้

    • ตอนนี้ผลงานวิจัยนี้ถูกนำไปรวมในบริการจริงแล้ว
      ข้อมูลพยากรณ์ของ WeatherNext 2 ใช้งานได้ผ่าน Earth Engine และ BigQuery และยังมีโปรแกรม early access บน Vertex AI สำหรับการอนุมานแบบปรับแต่งเองด้วย
      นอกจากนี้ยังถูกนำไปใช้ใน Search, Gemini, Pixel Weather, Google Maps Platform Weather API ด้วย
    • ส่วนตัวฉันชอบแอป Windy มากที่สุด
      มันให้เปรียบเทียบความต่างของพยากรณ์ระหว่างโมเดลได้ และ แอนิเมชันเวกเตอร์ลม ก็ดูน่าสนใจมากในเชิงภาพ
    • โมเดล HRRR ก็ยอดเยี่ยมมากเช่นกัน
      อัปเดตทุก 1 ชั่วโมง และให้พยากรณ์ความละเอียด 15 นาทีเป็นเวลา 18 ชั่วโมง และความละเอียด 1 ชั่วโมงเป็นเวลา 48 ชั่วโมง
      เว็บไซต์ HRRR
    • เมื่อก่อน Weather Underground เคยรวมข้อมูลจากสถานีอากาศส่วนบุคคล
      หลังจาก IBM เข้าซื้อก็เปลี่ยนไปมาก แต่ไม่แน่ว่าโครงการนั้นอาจยังมีอยู่
    • ลิงก์ทางการของ Google Weather API ก็น่าดูเช่นกัน

  • สงสัยว่าโมเดลที่ให้ การพยากรณ์เฮอร์ริเคน แม่นที่สุดในฤดูกาลนี้ เป็นโมเดลเดียวกับที่ประกาศครั้งนี้หรือไม่
    บทความที่เกี่ยวข้อง: ลิงก์ Ars Technica