Googles DeepMind-KI gab Jamaika einen zusätzlichen Tag Zeit, sich auf einen Hurrikan der Kategorie 5 vorzubereiten

Wichtige Punkte

• Googles DeepMind-Modell WeatherNext sagte voraus, dass Hurrikan Melissa fünf Tage vor Landfall als Kategorie-5-Sturm auf Jamaika treffen würde, mit 80 Prozent Konfidenz.
• Im Durchschnitt gibt WeatherNext Meteorologen einen ganzen zusätzlichen Tag zuverlässiger Warnung im Vergleich zu bestehenden Modellen, laut einem am Donnerstag in Nature veröffentlichten Aufsatz.
• Das Modell erzeugte 1.000 mögliche Sturmszenarien gleichzeitig, ein Volumen, das traditionelle Datenverarbeitung nicht erreichen kann.
• DeepMind stellt die WeatherNext-Modelle als Open-Source-Software zur Verfügung, damit unabhängige Forscher diese untersuchen und verbessern können.
• Selbst die Entwickler des Modells können nicht vollständig erklären, wie es seine Genauigkeit mit Eingabedaten geringerer Qualität als erforderlich erreicht, als traditionelle Vorhersagen benötigen.

Im Oktober 2025 bildete sich über der Karibik ein Sturm im Verborgenen. Traditionelle Wettermodelle waren uneins: Würde er schwach bleiben und sich Haiti zuwenden, oder würde er erstarken und sich Jamaika zuwenden? WeatherNext, ein KI-Vorhersagesystem, das von Googles DeepMind- und Google-Research-Abteilungen entwickelt wurde, optierte deutlich für die zweite Option. Fünf Tage vor Landfall kennzeichnete es eine 80-prozentige Chance für einen Hurrikan der Kategorie 5, die zerstörerischste Klasse, der Jamaika treffen würde.

Es hatte recht. Hurrikan Melissa verursachte Überschwemmungen und Erdrutsche auf der ganzen Insel. Aber die frühzeitige Warnung bedeutete, dass Gemeinden mehr Zeit hatten, sich vorzubereiten.

Was macht das anders als reguläre Wettervorhersage?

WeatherNext verschafft Meteorologen ungefähr einen zusätzlichen Tag zuverlässiger Warnung. Das bedeutet, dass seine Dreitagevorhersage ungefähr so genau ist wie die Zweitagevorhersagen älterer Modelle. Historisch gesehen hätten die Forscher sagen, dass ein zusätzlicher Tag inkrementelle wissenschaftliche Arbeit über ein Jahrzehnt hinweg gekostet hätte.

Mike Brennan, Direktor des US National Hurricane Center, drückte es einfach aus: „Zeit ist wirklich kostbar, wenn es um diese Art von Entscheidungen geht."

Evakuierungen zu organisieren und Vorräte zu bewegen sind zeitkritische Aufgaben. Fehler hierbei kosten Leben. Ein zusätzlicher Tag ist enorm wichtig.

Warum sind Hurrikane überhaupt so schwer vorherzusagen?

Zwei Dinge müssen gleichzeitig vorhergesagt werden, und sie erfordern sehr unterschiedliche Arten von Daten. Um nachzuverfolgen, in welche Richtung sich ein Sturm bewegt, sind umfassende globale Wetterdaten erforderlich: Positionen von Kaltfronten, Windmuster über ganze Meeresbecken. Um vorherzusagen, wie stark der Sturm wird, sind detaillierte lokale Daten über die Meerestemperatur und die Atmosphäre direkt über dem Sturm erforderlich. Frühere KI-Modelle bewältigen die Verfolgung vernünftig. Intensität, sagt Kate Musgrave, Leitung der Gruppe für tropische Zyklone am Cooperative Institute for Research in the Atmosphere und Co-Autorin des Aufsatzes, „konnten sie überhaupt nicht gut machen."

DeepMinds Team löste dies teilweise, indem es WeatherNext mit großen Mengen allgemeiner Wetterdaten zusammen mit der viel kleineren Sammlung historischer Zyklonaufzeichnungen trainierte. Das Modell erlernte zunächst breite atmosphärische Muster und wandte dann dieses Wissen auf Stürme an.

Die seltsamste Wendung: Das System verwendet Eingabedaten mit niedrigerer Auflösung als traditionelle Modelle für notwendig erachten für Intensitätsvorhersage, und es übertrifft sie dennoch. Als das Team anderen Wissenschaftlern dies sagte, „waren sie schockiert", sagt Ferran Alet, Research Scientist bei Google DeepMind und führender Autor des Aufsatzes. Etwas in den groberen Daten trägt ein nützlicheres Signal als bislang jemand vermutete. Noch niemand weiß, was.

„Am Ende des Tages ist es eine Black Box", räumt Alet ein.

Wie geht es weiter?

DeepMind macht die WeatherNext-Modelle open-source, damit unabhängige Forscher diese untersuchen und möglicherweise herausfinden können, was die KI erkannt hat, das menschliche Physiker übersehen haben.

Das Modell erzeugt nun 1.000 mögliche Sturmszenarien für jeden sich entwickelnden Hurrikan, gegenüber 50 im letzten Jahr. Traditionelle numerische Modelle, die Physikgleichungen Schritt für Schritt ausführen, können mit verfügbarer Rechenleistung nicht annähernd diese Anzahl erreichen.

Brennan ist klar über die Grenzen. Kein einzelnes Modell ist garantiert, in jeder zukünftigen Saison am besten zu funktionieren. Menschliche Experten übersetzen immer noch rohe Vorhersagen in Auswirkungsbewertungen, den Teil, der letztendlich bestimmt, wie Gemeinden reagieren. „Es sind die Auswirkungen, die Menschen töten", sagt er.

WeatherNext ist ein schärferes Werkzeug in einem großen Werkzeugkasten. Es ist kein Ersatz für die Menschen, die es einsetzen.