Én model står nu bag tre daglige flader
Google DeepMind introducerede WeatherNext 3 den 3. september 2026 og indbyggede modellen direkte i Google Søgning, Gemini-appen, Google Maps, Maps Platform Weather API, Earth Engine og BigQuery. Modellen genererer et nyt globalt vejrvarsel hver time i stedet for hver sjette, og den indlæser levende satellitdata i takt med at de kommer ind, i stedet for at vente på den næste planlagte kørsel. Overfladetemperatur og fugtighed opløses til et gitter på 5 kilometer, andre overfladevariable til 10 kilometer, og atmosfæriske variable som vindhastighed til 25 kilometer - et spring Google beskriver som omtrent fem gange skarpere end forgængeren, WeatherNext 2.
Googles eget opslag hævder at modellen leverer op til 50 procent mere præcise nedbørsvarsler ved planlægning en dag eller mere frem, med de største fremskridt i de regioner hvor varsling historisk har været svagest. Opslaget nævner også to konkrete industrielle anvendelser: estimering af turbineeffekt ud fra vindhastighedsprognoser i 100 meters højde for operatører af vedvarende energi, samt varsling af skydække og solindstråling for solcelleparker.
Ét tal er uafhængigt efterprøvet, og det er ikke det i salgstalen
WeatherNext 3 er ikke udelukkende selvbedømt. Brightband, et uafhængigt vejrfirma, driver Operational WeatherBench, en levende rangliste der løbende bedømmer operationelle AI- og fysikbaserede vejrmodeller mod hinanden under virkelige forhold. Ifølge Brightbands egen sporing havde WeatherNext 3 den laveste fejl på 2 meters temperatur på 26 af de sidste 30 dage i august 2026, foran både ECMWF's IFS og NOAA's GFS, de to referencemodeller baseret på fysik som meteorologer har stolet på i årtier. Det er et ægte tredjepartsresultat, udført af en part uden interesse i Googles succes, og det fortjener at blive behandlet som reel dokumentation frem for at blive afvist sammen med resten.
Kløften ligger et lag længere nede. Brightbands rangliste sporer temperaturnøjagtighed. De tal Google faktisk fører sit eget opslag med, og dem en operatør af vedvarende energi eller landbrug ville have brug for før modellen kunne betros en reel beslutning, er sammenligninger af nedbørsnøjagtighed: op til 60 procent bedre mod IMERG-satellitdata, 30 procent mod MRMS-radardata og 10 procent mod jordbaserede regnmålere. De tre tal kommer ikke fra Brightband. De kommer fra Google DeepMind, der evaluerer sin egen model mod datasæt den selv har udvalgt.
Efterprøvet temperaturnøjagtighed, selvrapporteret nedbørsnøjagtighed
| Påstand | Hvem målte det |
|---|---|
| Laveste fejl på 2 meters temperatur, 26 af de sidste 30 dage (august 2026) | Brightband, uafhængig tredjepart |
| Op til 60 procent bedre end IMERG på nedbør | Google DeepMind, selvrapporteret |
| Op til 30 procent bedre end MRMS på nedbør | Google DeepMind, selvrapporteret |
Den opdeling betyder mest for de to industrielle anvendelser Google selv nævner i sit opslag: estimering af turbineeffekt ud fra vindhastighedsprognoser i 100 meters højde, samt varsling af skydække og solindstråling for solcelleparker. Hverken vindeffekt eller solindstråling er temperatur. Den målestok en operatør faktisk ville have brug for at få uafhængigt efterprøvet, nedbørs- og skydækkenøjagtighed, ligger på den selvrapporterede side af tabellen, mens den målestok der tilfældigvis er uafhængigt bekræftet, temperatur, ikke er den de to anvendelser afhænger af.
Intet af dette betyder at nedbørstallene er forkerte. DeepMind har en stærk track record inden for vejr, og Brightbands egen rangering er dokumentation for at den underliggende model er reelt dygtig. Det betyder at en vind- eller solcellepark-operatør, der styrer produktionen ud fra disse data, læner sig op ad en blanding af én revideret score og én leverandørrapporteret score, præsenteret i samme opslag uden nogen angivelse af hvilken der er hvilken.
Læs videre: AI-Testen Som Ingen Af Parterne Kunne Se | Gemini 3.7 Flash: Halv pris kun til januar
