Hälften av Googles väderpåståenden är oberoende kontrollerade

En modell ligger nu bakom tre vardagliga tjänster

Google DeepMind presenterade WeatherNext 3 den 3 september 2026 och byggde in modellen direkt i Google Sök, Gemini-appen, Google Maps, Maps Platform Weather API, Earth Engine och BigQuery. Modellen genererar en ny global prognos varje timme i stället för var sjätte, och den tar emot levande satellitdata i takt med att de kommer in, i stället för att vänta på nästa schemalagda körning. Yttemperatur och fuktighet upplöses till ett rutnät på 5 kilometer, andra ytvariabler till 10 kilometer, och atmosfäriska variabler som vindhastighet till 25 kilometer, ett steg Google beskriver som ungefär fem gånger skarpare än föregångaren, WeatherNext 2.

Googles eget inlägg hävdar att modellen levererar upp till 50 procent mer träffsäkra nederbördsprognoser vid planering ett dygn eller mer i förväg, med de största förbättringarna i regioner där prognoserna historiskt har varit svagast. Inlägget nämner också två konkreta industriella användningsområden: uppskattning av turbineffekt utifrån vindhastighetsprognoser på 100 meters höjd för operatörer av förnybar energi, samt prognoser för molntäcke och solinstrålning för solkraftsparker.

En siffra är oberoende kontrollerad, och det är inte den i säljargumentet

WeatherNext 3 är inte enbart självbedömt. Brightband, ett oberoende väderföretag, driver Operational WeatherBench, en löpande topplista som kontinuerligt betygsätter operativa AI- och fysikbaserade vädermodeller mot varandra under verkliga förhållanden. Enligt Brightbands egen mätning hade WeatherNext 3 lägst fel på 2 meters temperatur under 26 av de senaste 30 dagarna i augusti 2026, före både ECMWF:s IFS och NOAA:s GFS, de två referensmodellerna baserade på fysik som meteorologer har litat på i decennier. Det är ett genuint tredjepartsresultat, utfört av en part utan intresse i Googles framgång, och det förtjänar att behandlas som verkliga bevis snarare än att avfärdas tillsammans med resten.

Skillnaden ligger ett steg längre ner. Brightbands topplista mäter temperaturskicklighet. De siffror Google faktiskt inleder sitt eget tillkännagivande med, och de en operatör inom förnybar energi eller jordbruk skulle behöva innan modellen anförtros ett verkligt beslut, är jämförelser av nederbördsnoggrannhet: upp till 60 procent bättre mot IMERG-satellitdata, 30 procent mot MRMS-radardata och 10 procent mot markbaserade regnmätare. De tre siffrorna kommer inte från Brightband. De kommer från Google DeepMind, som utvärderar sin egen modell mot dataset företaget självt har valt ut.

Kontrollerad temperaturskicklighet, självrapporterad nederbördsskicklighet

Den uppdelningen spelar störst roll för de två industriella användningsområden Google själv nämner i sitt inlägg: uppskattning av turbineffekt utifrån vindhastighetsprognoser på 100 meters höjd, samt prognoser för molntäcke och solinstrålning för solkraftsparker. Varken vindeffekt eller solinstrålning är temperatur. Det mått en operatör faktiskt skulle behöva få oberoende kontrollerat, nederbörds- och molntäckesnoggrannhet, ligger på den självrapporterade sidan av tabellen, medan det mått som råkar vara oberoende verifierat, temperatur, inte är det de två användningsområdena beror på.

Inget av detta betyder att nederbördssiffrorna är fel. DeepMind har goda meriter inom väder, och Brightbands egen rankning är belägg för att den underliggande modellen är genuint kapabel. Det betyder att en vind- eller solkraftsoperatör som styr sin produktion utifrån dessa data förlitar sig på en blandning av en granskad siffra och en leverantörsrapporterad siffra, presenterade i samma tillkännagivande utan någon antydan om vilken som är vilken.

Läs vidare: AI-Testet Som Ingen Av Parterna Kunde Se  |  Gemini 3.7 Flash: Halva priset bara till januari