Google DeepMind는 사이클론(태풍)의 이동 경로와 강도를 기존보다 하루 더 먼저 정확하게 예측하는 AI 모델 'WeatherNext'를 개발해 성과를 입증했습니다. 이는 기존 물리 기반 모델들이 가진 한계를 넘어선 것으로, 10년 치 기상학적 발전에 필적하는 획기적인 성과로 평가받습니다. 이를 통해 재난 대비 시간을 확보할 수 있게 되었으며, 연구진은 이 모델을 오픈소스로 공개해 재난 대응 및 기상 예측 전반의 발전을 촉진하고자 합니다.
번역된 본문
본문으로 건너뛰기 2026년 8월 6일 과학 WeatherNext: AI 모델이 사이클론 예측에서 획기적인 성과 달성 WeatherNext 팀 공유 WeatherNext는 경고를 하루 더 앞당길 수 있는 정확한 사이클론 예보를 가능하게 합니다. 이제 우리는 이 모델을 오픈소스화합니다.
위험한 사이클론이 어떻게 발달하는지 예측하는 것은 시간이 생명인 오랜 난제였습니다. 열대 사이클론(허리케인 또는 태풍이라고도 함)은 지구상에서 가장 파괴적인 기상 현상 중 하나로, 지난 50년간 전 세계적으로 70만 명 이상의 사망자와 1조 4천억 달러의 경제적 손실을 초상했습니다. 예보관에게 적시에 정확한 경고를 발령하는 것은 끊임없이 시간과의 싸움입니다.
오늘 Nature에 게재된 논문에서 우리는 WeatherNext AI 모델이 사이클론의 이동 경로, 강도 및 바람 구조를 예측하는 데 있어 최고 수준의 정확도를 달성했음을 보여줍니다. 평균적으로 이 모델은 예보관에게 하루 더 긴 예측 정확도를 제공합니다. 우리의 3일 예보는 기존 모델들이 겨우 2일 뒤의 상황만 예측할 수 있었던 것과 동일한 수준의 정확도를 보여줍니다. 이러한 수준의 향상은 대략 10년치 기상학적 발전에 맞먹습니다.
이 공동 작업에는 Google DeepMind와 Google Research의 AI 연구원 및 엔지니어, 미국 국립 허리케인 센터(NHC), 대기 연구 협력 기관(CIRA), 영국 기상청(UK Met Office) 및 전 세계 기상 기관의 전문 예보관들이 참여했습니다. 우리의 연구는 이미 현실 세계에 영향을 미치고 있습니다. 2025년 허리케인 시즌 동안 이 모델은 허리케인 멜리사의 급격한 강화와 자메이카 상륙을 예측하여 NHC가 역사적인 예보를 내리는 데 도움을 주었습니다. 이를 통해 NHC는 사전 경고를 발령할 수 있었고, 현장 구호팀에게는 대비를 위한 결정적인 시간을 벌어주었습니다. 올해 우리는 계속해서 협력하고 있으며, 예보관의 의사결정을 지원하기 위해 각 사이클론에 대해 1,000가지의 가능한 시나리오를 예측하고 있습니다.
기상은 모두에게 영향을 미칩니다. 이러한 광범위한 영향력을 고려할 때, 우리는 허리케인 시즌 동안 사용되었던 WeatherNext 2와 WeatherNext Cyclones 모델을 오픈소스로 공개합니다. 이 기술을 공개함으로써 우리는 연구 커뮤니티에 힘을 실어주고, 지역사회의 회복 탄력성을 높이는 데 있어 AI의 영향력을 증폭시키고자 합니다. 자연 재해에 대비하는 데 필요한 도구를 현지 예보관에게 제공하든, 재생 에너지의 성장을 지원하든, 극단 기상을 예측하든 말입니다.
WeatherNext가 기상 및 사이클론을 예측하는 방식 사이클론을 예측하는 것은 일반적으로 두 가지 다른 모델링 기법을 필요로 하는 상충관계를强迫했습니다. 사이클론의 경로(어디로 가는지)는 거대한 전 지구적 대기 흐름에 의해 조종되며, 이는 지금까지 저해상도의 전 지구적 모델에서 가장 잘 모델링되었습니다. 하지만 사이클론의 강도(얼마나 강해지는지)는 중심부 주변의 매우 국지적이고 미세한 열역학적 물리 과정에 의해 결정되며, 이는 고해상도의 전문화된 국지 모델에서 가장 잘 모델링됩니다.
우리의 WeatherNext 모델은 전반적인 전 지구 기상 및 사이클론에 대한 예측을 개선하여 이 간극을 메웁니다. 단일 AI 모델로 열대 사이클론의 경로, 강도 및 바람 구조를 최고 수준의 정확도로 예측합니다. 이러한 돌파구는 학습, 아키텍처 및 저해상도 입력에 대한 접근 방식의 독특한 조합을 통해 이루어졌습니다. 이 모델은 전 지구적 기상 역학 데이터와 전문가가 큐레이션한 역사적 사이클론 관측 데이터라는 두 가지 개별 데이터 모달리티(형식)를 바탕으로 공동 학습되었습니다. 거의 20테라바이트의 전 지구 대기 데이터와 약 5,000개의 역사적 폭풍을 포괄하는 과거 IBTrACS 데이터베이스를 엔드투엔드로 학습함으로써, 이 모델은 복잡한 대기 패턴과 극단 기상을 모델링하는 방법을 학습했습니다.
이 모델은 기능적 생성 네트워크(FGN, Functional Generative Networks)를 사용하여 다양한 예측 앙상블을 효율적으로 생성하며, 이를 통해 날씨에 내재된 불확실성을 포착합니다. 이제 TPU에서 1분도 채 걸리지 않는 시간 내에 단일 15일 예보를 생성할 수 있어, 예보관이 잠재적으로 파괴적인 극단적 재난의 확률 분포를 빠르게 평가할 수 있게 해줍니다.
Skip to main content August 6, 2026 Science WeatherNext: AI model achieves breakthrough in forecasting cyclones WeatherNext team Share WeatherNext enables accurate cyclone forecasts that can give an extra day of warning. Now we are open sourcing the model. Predicting how dangerous cyclones develop is a longstanding challenge where every hour counts. Tropical cyclones — also known as hurricanes or typhoons — are among the most destructive weather phenomena on Earth, responsible for more than 700,000 deaths and $1.4 trillion in economic losses globally over the past 50 years. For forecasters, issuing timely, accurate warnings is a constant race against time. Today, in a paper published in Nature , we show that our WeatherNext AI model achieved state-of-the-art accuracy in predicting a cyclone's track, intensity, and wind structure. On average, our model gives forecasters an extra day’s worth of predictive accuracy: our three-day forecasts are as good as what prior models were able to provide for only the next two days. This scale of improvement corresponds roughly to a decade’s worth of meteorological progress. This collaborative work brought together AI researchers and engineers at Google DeepMind and Google Research, with expert forecasters at the National Hurricane Center (NHC), the Cooperative Institute for Research in the Atmosphere (CIRA), the UK Met Office , and weather agencies around the world. Our research has already had real-world impact. During the 2025 hurricane season, our model helped the NHC to make a historic forecast for Hurricane Melissa by predicting the storm’s rapid intensification and landfall in Jamaica. This enabled the NHC to issue an advance warning, giving teams on the ground critical time to prepare. This year, we continue to work together and are now predicting 1,000 possible scenarios for each cyclone to help support forecasters in their decision-making. Weather affects everyone. Given this broad impact, we are now open sourcing our WeatherNext 2 and WeatherNext Cyclones models used during the hurricane season. By making this technology openly available, we hope to empower the research community and amplify AI's impact in building more resilient communities – whether that be providing local forecasters with the tools they need to prepare for natural disasters , supporting the growth of renewable energy, or anticipating extreme weather. How WeatherNext predicts weather and cyclones Predicting cyclones has typically forced a trade-off requiring two distinct modeling techniques. A cyclone's track (where it goes) is steered by massive, global atmospheric currents, which before now have been best modeled by coarser global models. However, a cyclone’s intensity (how strong it gets) is driven by highly localized, fine-scale thermodynamic physical processes around its core, which are best modeled by specialized, higher resolution, local models. Our WeatherNext model bridges this gap by improving forecasting for global weather overall as well as cyclones. It is a single AI model that predicts a tropical cyclone’s track, intensity, and wind structure with state-of-the-art accuracy. It achieves this breakthrough through a unique combination of its training, architecture and approach to low resolution inputs. The model was co-trained on two distinct data modalities: global weather dynamics and expert-curated historical cyclone observations. By training end-to-end on nearly 20 terabytes of global atmospheric data and the historical IBTrACS database spanning nearly 5,000 historical storms, the model learns complex atmospheric patterns and how to model extreme weather. Our model uses Functional Generative Networks (FGNs) to efficiently produce ensembles of different predictions, which captures the inherent uncertainty of the weather. We can now generate a single 15-day forecast in less than a minute on a TPU, empowering forecasters to quickly evaluate the probability distribution of potentially devastating tail-risks. Last year, our system produced 50 predictions at a time, matching global physics models. This year we scaled our ensemble size to 1,000 members, capturing rare but consequential scenarios like rapid intensification events, as occurred during Hurricane Melissa in 2025. Up until now, operating at very high spatial resolution has been considered the main driver for making accurate intensity forecasts. However, WeatherNext Cyclones only needs data with a resolution of 28x28km, 100x coarser than traditional models. A smaller version of the model, WeatherNext 2-mini, which operates at a coarser 111x111km resolution, also shows great performance. This has surprised scientists, and it remains an open research question to fully understand how our models produce such accurate predictions at this resolution. We hope that, together with the research community, we can find out. Opening up WeatherNext to the research community Alongside our Nature paper, we are open sourcing the code and model weights, making them freely available for anyone to build on. This includes academic research, operational forecasting, or developing more specialized, localized models. We hope to accelerate progress across the global weather community and empower meteorological agencies, researchers, and nonprofits to better predict weather events of all kinds and make key decisions to protect lives and infrastructure. We are also releasing two sets of similar models: WeatherNext Cyclones, which ran during the hurricane season (results can be seen in the paper); and WeatherNext 2, a later update that we operationalized in October. Additionally, we are releasing WeatherNext 2-mini, a compact version of the model that can run on a single TPU in a free public Colab notebook . You can explore our latest cyclone forecasts on Weather Lab , which we recently refreshed with a new interface and expanded to include global weather forecasts alongside cyclone tracks. Weather Lab now lets you visualize WeatherNext predictions for temperature, precipitation, wind speed, and more, all in a single view. Both Weather Lab and WeatherNext models are a part of Google Earth AI . Pushing the frontiers of AI for weather forecasting We have achieved a historic breakthrough by gaining more than a full day of lead time for predicting cyclones — delivering an advance equivalent to a decade of meteorological progress. As we prepare for future storm seasons, we invite researchers, meteorological agencies, and experts to partner with us, build on our open source models, and explore our forecasts on Weather Lab. By combining advanced machine learning with the indispensable real-world expertise of human forecasters, we aim to create a collaborative weather forecasting ecosystem that can save lives and help communities adapt to a changing climate. Note: For official weather forecasts and warnings, refer to your local meteorological agency or national weather service. Read our Nature paper Download the code Explore Weather Lab Read the NHC’s 2025 Verification Report Acknowledgements This research was co-developed by Google DeepMind and Google Research teams. We’d like to thank our collaborators NOAA/NWS/NCEP National Hurricane Center, Cooperative Institute for Research in the Atmosphere (CIRA) and the UK Met Office for their partnership and contributions to the paper. This work reflects the contributions of the paper’s co-authors: Ferran Alet, Tom Andersson, Ilan Price, Stratis Markou, Andrew El-Kadi, Dominic Masters, Amy Li, Samier Merchant, Natalie Williams,Gregory Thornton, Ken MacKay, Olivia Graham, Akib Uddin, Ben Gaiarin, Devaja Shah, Elinor Kruse, Wallace Hogsett, David Zelinsky, John Cangialosi, Jonathan Martinez, James Franklin, Mark DeMaria, Kate Musgrave, Caroline L. Bain, Helen Titley, Jacklynn Stott, Remi Lam, Aaron Bell, Paul Komarek, Matthew Willson, Alvaro Sanchez-Gonzalez, and Peter Battaglia. Related posts WeatherNext 2 Learn more How WeatherNext helped the National Hurrican