The Decoder • 47일 전

구글 딥마인드, 태풍 경로·강도 동시 예측 AI '웨더넥스트' 공개

IMP

8/10

핵심 요약

구글 딥마인드는 열대 저기압의 경로와 강도를 단일 시스템에서 동시에 예측하는 AI 모델 '웨더넥스트 사이클론스(WN-C)'를 공개했습니다. 기존 전문 기상 모델들을 정확도 면에서 능가하며, 특히 저해상도 데이터를 사용함에도 불구하고 향후 경로와 강도 예측에서 획기적인 성능을 보여줍니다. 이는 기상 예측 분야의 AI 기술적 우위를 다시 한번 증명하는 중요한 연구 성과입니다.

번역된 본문

구글 딥마인드의 웨더넥스트(WeatherNext), 사이클론(열대 저기압) 경로 및 강도 동시 예측 Jonathan Kemper의 LinkedIn 프로필 보기 2026년 8월 9일 THE DECODER가 작성함

딥마인드의 새로운 기상 AI는 전문 예측 모델보다 더 정확하게 열대 저기압을 예측하며, 100배나 더粗（거친） 저해상도의 데이터로 이를 수행합니다. 이 모델이 정확히 어떻게 이러한 결과를 내는지는 개발자들에게도 명확하지 않습니다.

구글 딥마인드는 최고 수준의 운영 모델보다 약 하루 더 먼 미래를 내다볼 수 있는 열대 저기압 예측 AI 시스템인 '웨더넥스트 사이클론스(WeatherNext Cyclones)', 줄여서 WN-C를 선보였습니다. 이러한 발전은 전통적인 기상 모델이 지난 10년 동안 이룬 발전과 거의 맞먹는 수준입니다. 이 모델은 미국 국립 허리케인 센터(NHC), 대기 연구 협력 기관, 그리고 영국 기상청(UK Met Office)과 함께 구축되었습니다. 2025년 6월부터 구글의 웨더 랩(Weather Lab)에서 실시간으로 예측이 진행되고 있습니다.

딥마인드에 따르면, 2025년 자메이카에 상륙한 멜리사 허리케인 기간 동안 이 모델은 NHC가 폭풍의 급격한 강도 증가를 제때 예측하는 데 도움을 주었습니다. 급격한 강도 증가란 24시간 이내에 풍속이 최소 30노트(약 54km/h) 이상 증가하는 현상을 말합니다.

WN-C, 수십 년의 한계를 극복하다 사이클론 예측은 오랫동안 트레이드오프의 문제로 어려움을 겪어왔습니다. 유럽중기예보센터(ECMWF)의 앙상블 시스템(ENS)과 같은 전 지구 모델은 경로 예측에는 강하지만 강도 예측에는 너무 해상도가 낮습니다. 반면 미국 해양대기청(NOAA)의 허리케인 분석 및 예측 시스템(HAFS)과 같은 전문 지역 모델은 강도 측정은 더 정밀하게 제공하지만 경로 예측의 정확도가 떨어집니다. 네이처(Nature)에 발표된 논문에 따르면, WN-C는 단일 시스템에서 두 가지를 모두 처리합니다.

5일 예보의 경우, 예상 폭풍 중심 위치의 오차는 평균 230km로, ENS의 370km 및 딥마인드의 이전 모델인 GenCast의 335km에 비해 크게 개선되었습니다. 3일 강도 예측에서는 WN-C가 HAFS보다 3.75노트(약 4.3mph) 더 정확합니다. WN-C는 다양한 예측 시점에 걸쳐 확률론적 폭풍 강도 예측에서도 ENS 및 GenCast보다 두 배 이상 높은 점수를 기록했습니다. 폭풍이 허리케인 강도에 도달하는 기준점인 64노트 바람의 확률 예측에서, 딥마인드는 이 모델이 의사 결정에 있어 ENS보다 더 높은 실용적 가치를 제공한다고 밝혔습니다.

저해상도 데이터, 더 날카로운 예측 WN-C는 각 지점이 약 28km를 커버하는 데이터 격자에서 작동하며, 이는 전문 지역 모델보다 약 100배 더 거친(저해상도) 데이터입니다. 딥마인드에 따르면 격자점당 111km를 커버하는 소형 버전조차도 경쟁력 있는 결과를 냅니다. 저자들은 "고해상도가 최첨단 강도 예측을 위한 엄격한 전제 조건은 아니다"라고 말합니다. 거친 기상 데이터에는 누구보다 생각했던 것보다 훨씬 더 많은 폭풍 강도에 대한 정보가 포함되어 있는 것으로 보입니다. 이 해상도에서 모델이 어떻게 그렇게 정확한 예측을 생성하는지는 여전히 연구로 남아있는 문제입니다.

기능적 생성 네트워크(Functional Generative Networks)가 디퓨전을 대체 WN-C는 기능적 생성 네트워크(FGN)를 사용합니다. 이전 모델인 GenCast는 AI 이미지 생성기에서 가장 잘 알려진 방법인 디퓨전(Diffusion)에 의존하며, 예측 단계마다 신경망을 수십 번 통과해야 합니다. 반면 FGN은 단 한 번의 통과로 처리하여 속도가 8배 더 빠릅니다. 불확실성을 포착하기 위해 이 시스템은 대부분의 접근 방식처럼 개별 픽셀에 노이즈를 추가하지 않습니다. 대신 네트워크의 제어 계층에 노이즈를 주입합니다. 이렇게 하면 단순히 동일한 출력의 잡음 변형이 아니라 서로 다르지만 물리적으로 일관된 시나리오가 생성됩니다.

두 가지 매우 다른 데이터 소스에 대한 훈련이 핵심이었습니다. 연구팀은 ECMWF 분석의 약 20TB에 달하는 전 지구 대기 데이터와 약 5,000개의 역사적 사이클론을 큐레이션한 데이터베이스를 함께 사용했습니다. 모델이 두 소스에서 동시에 학습할 수 있도록, 위치, 강도 및 범위를 포함하는 표 형식의 폭풍 데이터가 기상 데이터와 동일한 지리적 격자에 투영됩니다. 이를 통해 신경망은 경로, 강도 및 바람 반경을 직접 예측할 수 있습니다. 논문의 절제 연구(Ablation studies)에 따르면 이러한 통합 훈련이 성능 향상을 이끈 핵심으로 확인되었습니다.

폭풍당 1,000개의 시나리오 15일 예보 구동(원문 누락 부분)

원문 보기

원문 보기 (영어)

Google Deepmind's WeatherNext predicts cyclone tracks and intensity at the same time Jonathan Kemper View the LinkedIn Profile of Jonathan Kemper Aug 9, 2026 Nano Banana Pro prompted by THE DECODER Deepmind's new weather AI forecasts tropical cyclones more accurately than specialized models, and it does so with data that's a hundred times coarser. How exactly it pulls this off isn't clear even to the developers. Google Deepmind is introducing WeatherNext Cyclones, or WN-C, an AI system for tropical cyclone forecasting that can see about one day further into the future than leading operational models. The improvement roughly matches the progress traditional weather models have made over the past decade. The model was built with the National Hurricane Center (NHC), the Cooperative Institute for Research in the Atmosphere, and the UK Met Office. Since June 2025, forecasts have been running live on Google's Weather Lab . During Hurricane Melissa, which made landfall in Jamaica in 2025, the model helped the NHC predict the storm's rapid intensification in time, according to Deepmind. That's when a storm gains at least 30 knots (about 34 mph) in wind speed within 24 hours. WN-C solves a decades-old tradeoff Cyclone forecasting has long suffered from a tradeoff. Global models like ECMWF's ensemble system (ENS) are strong on track prediction but too coarse for intensity. Specialized regional models like NOAA's Hurricane Analysis and Forecast System (HAFS) deliver more precise intensity readings but lose accuracy on the track. WN-C handles both in a single system, according to a paper published in Nature . For a five-day forecast, the estimated storm center position is off by an average of 230 kilometers, compared to 370 kilometers for ENS and 335 kilometers for Deepmind's predecessor model GenCast. On three-day intensity forecasts, WN-C is 3.75 knots (about 4.3 mph) more accurate than HAFS. WN-C also scores more than twice as well as ENS and GenCast on probabilistic storm intensity forecasts across many lead times. For the probability of 64-knot winds, the threshold where a storm reaches hurricane strength, the model delivers higher practical value for decision-making than ENS, according to Deepmind. Coarse data, sharper forecasts WN-C works with a data grid where each point covers about 28 kilometers, roughly a hundred times coarser than specialized regional models. Even a compact variant with 111 kilometers per grid point produces competitive results, Deepmind says. "High resolution is not a strict prerequisite for state-of-the-art intensity forecasting," the authors write. The coarse weather data apparently contains more information about storm strength than anyone thought. How the models generate such accurate forecasts at this resolution remains an open research question. Functional generative networks replace diffusion WN-C uses Functional Generative Networks (FGN). GenCast relies on diffusion, a method best known from AI image generators, and needs dozens of passes through the neural network per forecast step. FGN gets by with a single pass, making it eight times faster. To capture uncertainty, the system doesn't add noise to individual pixels the way most approaches do. Instead, it injects noise into the network's control layers. This produces different but physically consistent scenarios rather than just noisy variants of the same output. Training on two very different data sources was key. The team used nearly 20 terabytes of global atmospheric data from ECMWF analyses along with a curated database of roughly 5,000 historical cyclones. To let the model learn from both sources together, the tabular storm data, including position, intensity, and extent, gets projected onto the same geographic grid as the weather data. That lets the network predict track, intensity, and wind radii directly. Ablation studies in the paper show that this joint training is what drives the improvements. 1,000 scenarios per storm A 15-day forecast runs in under a minute on one of Google's AI chips, so Deepmind scaled the number of parallel forecast runs from 50 to 1,000. Large ensembles like this could help capture rare extreme events more reliably. The Critical Success Index, which weighs correct warnings against false alarms and missed events, jumps from below 0.3 to 0.5, according to the paper. A complement, not a replacement Traditional numerical models still matter, according to Deepmind. The NHC typically combines results from several physics-based models into a weighted average for its official forecasts, split between track (TVCN) and intensity (IVCN). In a simulated weighted addition to these consensus models, WN-C improves track forecasts by an average of 28 percent. For intensity, the gain is about 6 percent. The smaller intensity improvement shows that traditional models still contribute heavily in that area. A model years in the making Deepmind has made all of this publicly available, releasing the code and weights for both WeatherNext 2 and WeatherNext Cyclones on GitHub . The mini variant runs on a single TPU in a free Colab notebook . For official warnings, the authors still point users to national weather services. WN-C is meant to support forecasters, not replace them. Last year, Deepmind introduced WeatherNext 2 , the underlying weather AI that is now open-source along with the cyclone variant. In June 2025, Deepmind and Google Research launched Weather Lab , a platform built for cyclone forecasting whose experimental model has now become WeatherNext Cyclones. The collaboration with NHC and CIRA was already in place at that point. Before that, Deepmind released GenCast in late 2024, the first probabilistic weather model to beat ECMWF's ensemble, also open-source. WN-C swaps out GenCast's diffusion approach for the faster FGN method and broadens the scope to tropical cyclones. Google's track record with forecasting hasn't always been this strong, though. Its Android Earthquake Alerts system severely underestimated the 2023 Turkey earthquakes, rating a 7.8 quake at just 4.5 to 4.9 and sending only 469 critical warnings when millions should have been alerted. The scientific achievement comes during a turbulent stretch for Deepmind itself. CEO Demis Hassabis recently stepped back from day-to-day operations to become Alphabet's Chief Scientist, while chief researcher Jeff Dean left after 27 years to co-found the AI startup Discovery Loop with several other senior researchers. AI News Without the Hype – Curated by Humans Subscribe to THE DECODER for ad-free reading, a weekly AI newsletter, our exclusive "AI Radar" frontier report six times a year, full archive access, and access to our comment section. Subscribe now --> Read on for the full picture. Subscribe for hype-free coverage. Access to all THE DECODER articles. Read without distractions – no Google ads. Access to comments and community discussions. Weekly AI newsletter. 6 times a year: “AI Radar” – deep dives on key AI topics. Up to 25 % off on KI Pro online events. Access to our full ten-year archive. Get the latest AI news from The Decoder. Subscribe to The Decoder -->

구글 딥마인드 기상 예측 AI 웨더넥스트 딥러닝 모델 연구 논문