GenCast je krajem 2024. pokazao koliko model strojnog učenja može biti konkurentan u 15-dnevnom prognoziranju. Razvoj nakon njegova predstavljanja promijenio je središnje pitanje: više se ne raspravlja samo o rezultatima testiranja, nego o ulasku AI prognoza u operativni rad i brzini stvaranja velikog broja mogućih vremenskih scenarija.
GenCast je otvorio novu fazu usporedbe vremenskih modela
Google DeepMind predstavio je GenCast u studiji objavljenoj u časopisu Nature kao model strojnog učenja za izradu 15-dnevnih vremenskih prognoza. Prema navodima studije, prognoze je izrađivao brže i točnije od dotadašnjih modela.
Razlika nije samo u brzini obrade. Tradicionalni prognostički modeli temelje se na rješavanju fizikalnih jednadžbi, dok GenCast vremenske obrasce izravno uči iz povijesnih podataka. Za treniranje su korišteni podaci Europskog centra za srednjoročne vremenske prognoze, ECMWF-a, iz razdoblja od 1979. do 2018. godine, a opisano testiranje odnosilo se na podatke iz 2019.
Upravo je usporedba s ECMWF-ovim ansambl-sustavom ENS privukla najviše pozornosti. Google DeepMind navodi da je GenCast bio bolji za 97,2 posto od ukupno 1.320 ciljeva. Za ciljeve s prognostičkim rokovima duljima od 36 sati taj je udio iznosio 99,8 posto.
Što zapravo znači rezultat od 97,2 posto
Broj od 1.320 zahtijeva precizno tumačenje. Ne odnosi se na 1.320 pojedinačnih vremenskih događaja, nego na kombinacije promatranih varijabli i prognostičkih rokova. Drugim riječima, rezultat opisuje uspješnost modela kroz skup različitih prognostičkih zadataka, a ne broj oluja, toplinskih valova ili drugih konkretnih pojava koje je GenCast navodno predvidio.
Ta razlika nije tek terminološka. Tvrdnja o nadmašivanju sustava u određenom udjelu prognostičkih ciljeva govori o rezultatima usporednog testiranja. Sama po sebi ne potvrđuje da je novi model bolji u svakom pojedinačnom scenariju niti da je spreman zamijeniti cijelu postojeću meteorološku infrastrukturu.
Google DeepMind javno je objavio kod i težine GenCasta, čime je model postao dostupan za daljnji rad i provjeru. Ipak, otvoren pristup modelu nije isto što i potpuno operativna meteorološka služba koja kontinuirano proizvodi, provjerava i distribuira prognoze krajnjim korisnicima.
ECMWF je AI ansambl uveo u operativni rad
Najvažnija promjena nakon GenCastova predstavljanja dogodila se 1. srpnja 2025., kada je ECMWF u operativni rad uveo AIFS ENS, ansambl-verziju vlastitog sustava umjetne inteligencije za prognoziranje.
AIFS ENS sastoji se od 51 različite prognoze. Takav ansambl ne proizvodi samo jedan mogući razvoj vremena, nego skup prognoza kojima se obuhvaćaju različiti mogući scenariji. Operativno uvođenje pokazuje da razvoj AI vremenskih modela nije ostao ograničen na istraživačke rezultate Google DeepMinda.
Time se promijenila i pozicija ECMWF-a u ovoj priči. U početku je njegov ENS prvenstveno služio kao sustav s kojim se uspoređivala uspješnost GenCasta. Nekoliko mjeseci poslije ECMWF je postao operativni korisnik vlastitog ansambl AI sustava.
WeatherNext 2 dodatno ubrzava izradu scenarija
Sljedeći korak predstavili su Google DeepMind i Google Research s modelom WeatherNext 2. Prema dostavljenim podacima, model na jednom TPU-u može za manje od minute generirati stotine mogućih vremenskih scenarija.
Brzina je posebno relevantna za ansambl-prognoziranje, gdje vrijednost ne proizlazi samo iz jedne prognoze, nego iz mogućnosti da se u kratkom vremenu proizvede velik broj mogućih ishoda. Priča se zato pomaknula od pitanja može li AI model konkurirati etabliranom sustavu prema pitanju koliko brzo i u kojem opsegu može podržati praktično prognoziranje.
Dostavljeni materijal, međutim, ne sadrži usporedbu WeatherNexta 2 i GenCasta prema istoj metodologiji. Nije potvrđena ni dostupnost WeatherNexta 2 krajnjim korisnicima. Zbog toga se njegova sposobnost brzog stvaranja scenarija ne može izravno pretvoriti u tvrdnju da je u svim aspektima precizniji od GenCasta ili drugih sustava.
Operativna primjena ne znači potpunu zamjenu tradicionalnih modela
Razvoj od GenCasta preko AIFS ENS-a do WeatherNexta 2 upućuje na prijelaz iz faze dokazivanja sposobnosti pojedinačnog modela prema operativnim i ansambl-sustavima. U tom je razvoju podjednako važna brzina, broj mogućih scenarija i način na koji se modeli uključuju u postojeće prognostičke procese.
Iz dostupnih činjenica ipak se ne može zaključiti da su tradicionalni modeli, koji prognoze izrađuju rješavanjem fizikalnih jednadžbi, u cijelosti zamijenjeni. Nije potvrđen ni konkretan učinak ovih sustava na turizam, turističke subjekte ili krajnje korisnike vremenskih prognoza.
Za turističku industriju vremenska prognoza jest relevantan operativni podatak, ali dostavljeni materijal ne daje osnovu za tvrdnje o konkretnim poslovnim koristima novih modela. Ono što se može potvrditi jest tehnološki pomak: AI prognoziranje više nije predstavljeno samo kroz jedan eksperimentalni rezultat, jer je ECMWF vlastiti ansambl AI sustav već uključio u operativni rad.
GenCast je pokazao sposobnost AI modela u usporednom testiranju, AIFS ENS donio je operativnu primjenu, a WeatherNext 2 dodatno ubrzao proizvodnju velikog broja mogućih scenarija. Granica između istraživačkog modela i meteorološke službe pritom ostaje jasna: javno dostupan kod nije gotova usluga, dok operativni sustav podrazumijeva znatno širi proces od samog generiranja prognoze.
