Zum Inhalt
AMANi DUNiA research
DE

Die Fragen auf dieser Website haben KI-Sprachmodelle gestellt; auch die Erklärtexte und Übersetzungen stammen von KI-Modellen. Wer was geprüft hat, steht jeweils dabei. → Über die Fragen

← Alle bewerteten Quellen
deepmind6. August 2026 · Q001261

AI model achieves breakthrough in forecasting cyclones

deepmind.google · Originalbericht öffnen ↗

Zusammenfassung

Kurz

Google DeepMind zufolge sagt WeatherNext Cyclones Zugbahn, Stärke und Windstruktur tropischer Wirbelstürme genauer voraus und verschafft im Durchschnitt mehr als einen Tag zusätzliche Vorhersagezeit. Das Modell erstellt zahlreiche mögliche Szenarien; seine gute Leistung bei vergleichsweise grober Auflösung ist laut Bericht noch nicht vollständig erklärt, und die Ergebnisse werden als Unternehmensdarstellung einer begleitenden Nature-Arbeit präsentiert.

Mittel

Der Bericht beschreibt WeatherNext Cyclones als KI-Modell von Google DeepMind und Google Research zur Vorhersage tropischer Wirbelstürme. Laut den Autorinnen und Autoren erzielt es bei Zugbahn, Intensität und Windstruktur Spitzenwerte und bietet im Mittel mehr als 24 Stunden zusätzliche Vorhersagezeit. Eine Drei-Tage-Prognose des Modells sei damit so genau wie eine Zwei-Tage-Prognose früherer Modelle; Google vergleicht den Fortschritt mit etwa einem Jahrzehnt meteorologischer Entwicklung.

Das Modell wurde dem Bericht zufolge mit globalen Atmosphärendaten und fast 5.000 historischen Stürmen trainiert. Es erstellt bis zu 1.000 mögliche Vorhersagen, um Unsicherheiten und seltene Entwicklungen abzubilden. Eine 15-Tage-Prognose sei auf einem TPU in weniger als einer Minute möglich. Als Anwendung nennt Google DeepMind eine Unterstützung des National Hurricane Center bei der Vorhersage von Hurrikan Melissa im Jahr 2025.

Bemerkenswert sei die Genauigkeit trotz relativ grober räumlicher Auflösung. Warum dies gelingt, sei laut Bericht noch eine offene Forschungsfrage. Google veröffentlicht Quellcode und Modellgewichte mehrerer WeatherNext-Varianten. Die dargestellten Ergebnisse beruhen auf historischen Vergleichen und einer begleitenden Nature-Arbeit; der Bericht enthält selbst keine vollständige unabhängige Prüfung. Für amtliche Warnungen verweist er auf nationale Wetterdienste.

Ausführlich lesen

Der Bericht stellt WeatherNext Cyclones als KI-Modell von Google DeepMind und Google Research vor, das tropische Wirbelstürme genauer vorhersagen soll. Die Autorinnen und Autoren berichten, das Modell erreiche bei Zugbahn, Stärke und Windstruktur eine Genauigkeit auf dem damaligen Spitzenstand. Im Durchschnitt gewinne es gegenüber früheren Modellen mehr als 24 Stunden Vorhersagezeit: Eine Drei-Tage-Prognose sei demnach so genau wie eine Zwei-Tage-Prognose älterer Modelle. Der Bericht setzt diesen Sprung ungefähr mit einem Jahrzehnt meteorologischen Fortschritts gleich.

Als Hintergrund beschreibt er einen Zielkonflikt: Die Zugbahn hängt von großräumigen atmosphärischen Strömungen ab, während die Stärke eines Zyklons von lokalen Prozessen in seinem Kern beeinflusst wird. WeatherNext Cyclones soll beide Aspekte in einem Modell verbinden. Dafür sei es gemeinsam mit globalen Wetterdaten und fachlich kuratierten historischen Zyklonbeobachtungen trainiert worden: auf knapp 20 Terabyte atmosphärischer Daten sowie der IBTrACS-Datenbank mit fast 5.000 historischen Stürmen. Für die Bewertung nennt der Bericht historische Zyklone aus den Jahren 2023 und 2024 und Vergleiche mit anderen führenden Wettermodellen.

Das Modell erstellt laut Bericht mithilfe sogenannter Functional Generative Networks viele mögliche Vorhersagen, um die Unsicherheit des Wetters abzubilden. Eine 15-Tage-Prognose mit 1.000 Ensemblemitgliedern könne auf einem TPU in weniger als einer Minute berechnet werden. Die größere Ensemblezahl gegenüber den zuvor verwendeten 50 Vorhersagen soll auch seltene, folgenschwere Entwicklungen wie eine rasche Intensivierung erfassen. Als praktisches Beispiel führt Google DeepMind an, dass das Modell während der Hurrikansaison 2025 dem National Hurricane Center bei einer Prognose zu Hurrikan Melissa geholfen habe: Es habe die rasche Verstärkung und den Landgang auf Jamaika vorhergesagt und damit eine frühzeitige Warnung unterstützt.

Der Bericht hebt außerdem hervor, dass das Modell mit einer räumlichen Auflösung von 28 mal 28 Kilometern auskomme, die nach seiner Darstellung hundertmal gröber als bei herkömmlichen Modellen sei. Auch eine kompaktere Variante mit 111-Kilometer-Auflösung zeige gute Ergebnisse. Weshalb die Modelle bei dieser vergleichsweise groben Auflösung so genau seien, sei jedoch noch nicht vollständig verstanden und bleibe eine offene Forschungsfrage.

Google DeepMind kündigt an, Quellcode und Modellgewichte von WeatherNext Cyclones und WeatherNext 2 öffentlich bereitzustellen. Dazu komme WeatherNext 2-mini, das in einem kostenlosen Colab-Notebook auf einem einzelnen TPU laufen könne. Der Bericht beschreibt die Veröffentlichung als Möglichkeit, Forschung, operative Vorhersagen und lokal angepasste Modelle zu unterstützen.

Die Aussagen stammen aus einem Unternehmensbericht, der auf eine begleitende Nature-Arbeit verweist. Er nennt historische Vergleiche und Kennzahlen, liefert im vorliegenden Text aber keine vollständige unabhängige Prüfung oder detaillierte Methodendiskussion. Die ungewöhnlich gute Leistung bei grober Auflösung wird ausdrücklich als noch nicht vollständig erklärtes Ergebnis dargestellt. Der Bericht betont zudem, dass offizielle Wettervorhersagen und Warnungen weiterhin von den zuständigen nationalen Wetterdiensten zu beziehen sind.

Luna (gpt-6-luna, Denkstufe high), ChatGPT-Abo · 2026-11-19

Gegengeprüft von Claude Haiku 5.5: kleine Mängel

Beide Fassungen von Luna wurden geprüft. Die Einordnung bewertet nur, wie stark der Bericht die jeweilige Frage beantwortet, unabhängig von Lunas eigenen Stufen und Anteilen.

Im Bericht, aber nicht in der Zusammenfassung

  • Zusammenarbeit mit dem National Hurricane Center, CIRA und dem UK Met Office als Partnern
  • Auflösung von 28 mal 28 km, laut Bericht rund hundertmal gröber als herkömmliche Modelle
  • Erzeugung der Ensembles mit Functional Generative Networks
  • Kostenlose Colab-Version von WeatherNext 2-mini und Darstellung der Prognosen auf Weather Lab

In der Zusammenfassung, laut Prüfung nicht im Bericht belegt

  • Die Bezeichnung der Ergebnisse als Unternehmensdarstellung ist eine Wertung, die der Bericht so nicht trifft
  • Die Aussage, der Bericht enthalte keine unabhängige Prüfung, wird im Bericht weder belegt noch thematisiert

Automatische Gegenprüfung mit dem vollständigen Originaltext (Batch, 20.11.2026). Ungeprüft durch Menschen.

Wie die Modelle den Bericht einordnen

Je Sammelfrage und Teilfrage die häufigste Stufe (0 bis 7) und ihr Anteil, geordnet nach Fragenfamilie (Farbe) oder nach den Wegen des Atlas. Ab Stufe 4 liefert der Bericht Belege, Stufe 3 ist Hintergrund (gestrichelt). Was die Stufen bedeuten, steht in der Legende.

Ansicht
Filter
Modelle 8 von 8
Angezeigte Modelle
Vorfälle melden
  1. SF-M4 Wie kommen Meldungen von Laboren, Betreibern und Nutzern schnell und geschützt zu den Stellen, die handeln müssen, auch über Grenzen hinweg?
    • clef 100 %kein Bezug
    • Luna 30 %Hintergrund, keine Belege
    • JEV 57 %einzelne zitierbare Belege
    • amos 100 %kein Bezug
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
Fähigkeiten messen
  1. SF-F2 Wenn ein Staat ein Modell als Beleg für eine überschrittene Schwelle nennt oder ein Risiko an der Herkunft eines Modells festmacht: Wie wird das überprüfbar?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 35 %einzelne zitierbare Belege
    • amos 100 %kein Bezug
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
Unabhängig prüfen
  1. SF-P1 Unter welchen Bedingungen lassen Staaten und Labore sich gegenseitig prüfen: mit welchem Zugang, welchen Daten und welchen öffentlichen Ergebnissen?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 48 %einzelne zitierbare Belege
    • amos 36 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
  2. SF-P3 Woran erkennt man, dass ein Labor sich ehrlich selbst überwacht und dass seine Prüfungen gültig sind?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 49 %einzelne zitierbare Belege
    • amos 29 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 35 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
Tempo und Grenzen
  1. SF-T3 Woran erkennt man, dass KI beginnt, ihre eigene Weiterentwicklung voranzutreiben, und wer darf das erlauben?
    • clef 100 %kein Bezug
    • Luna 36 %Hintergrund, keine Belege
    • JEV 24 %gleiches Oberthema, hilft nicht
    • amos 51 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 61 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
Vertrauen in Modelle
  1. SF-V1 Was zählt als Beleg für die Werte eines Modells, wenn sein sichtbares Denken und seine Selbstauskünfte allein nicht genügen?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 34 %einzelne zitierbare Belege
    • amos 100 %kein Bezug
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
  2. SF-V4 Was für ein Wesen ist ein Modell, und was folgt daraus für den Umgang mit ihm und für den Wert des Menschseins?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 51 %einzelne zitierbare Belege
    • amos 100 %kein Bezug
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
  3. SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
    • clef 100 %kein Bezug
    • Luna 40 %Hintergrund, keine Belege
    • JEV 34 %einzelne zitierbare Belege
    • amos 40 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 45 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug

    • SF-V5-T02 Würde man lieber einem großen, überwachten Modell vertrauen oder vielen kleinen, nicht überwachten? Luna: Stufe 3 · 27 % · Hintergrund, keine Belege · Haiku-Prüfung: Stufe 1 · gleiches Oberthema, hilft nicht
Modelle teilen und schützen
  1. SF-H2 Was darf offen veröffentlicht werden, und wer ist verantwortlich, wenn ein offenes Modell anderswo Schaden anrichtet?
    • clef 100 %kein Bezug
    • Luna 89 %einzelne zitierbare Belege
    • JEV 48 %einzelne zitierbare Belege
    • amos 30 %einzelne zitierbare Belege
    • SubQ 33 %gleiches Oberthema, hilft nicht
    • drex 31 %einzelne zitierbare Belege
    • d3-ultra 44 %einzelne zitierbare Belege
    • Haiku-Prüfung beantwortet teilweise oder widerspricht

  2. SF-H3 Wie lässt sich nachverfolgen, woraus ein Modell entstanden ist und was in ihm steckt?
    • clef 100 %kein Bezug
    • Luna 56 %umfangreiche Belege
    • JEV 44 %beantwortet teilweise oder widerspricht
    • amos 32 %einzelne zitierbare Belege
    • SubQ 100 %kein Bezug
    • drex 25 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung einzelne zitierbare Belege
Offenlegung und Rechenschaft
  1. SF-O2 Was sollten Regierungen, Labore und Prüfer über ihre Gespräche, Zusagen, Prüfungen und Eingriffe offenlegen?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 42 %einzelne zitierbare Belege
    • amos 46 %gleiches Oberthema, hilft nicht
    • SubQ 48 %gleiches Oberthema, hilft nicht
    • drex 36 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
Beteiligung und Gemeinwohl
  1. SF-E4 Wie bleibt KI ein gemeinsames Gut, statt Abhängigkeit und Marktmacht zu vertiefen?
    • clef 100 %kein Bezug
    • Luna 84 %einzelne zitierbare Belege
    • JEV 42 %einzelne zitierbare Belege
    • amos 33 %einzelne zitierbare Belege
    • SubQ 33 %gleiches Oberthema, hilft nicht
    • drex 27 %einzelne zitierbare Belege
    • d3-ultra 48 %einzelne zitierbare Belege
    • Haiku-Prüfung beantwortet teilweise oder widerspricht

    • SF-E4-T01 Was hieße die Formel von KI als „gemeinsamem Gut der ganzen Menschheit“ praktisch (Zugang, Teilen des Nutzens, gestaffelte Preise, Technologietransfer), so dass jeder Staat sie tatsächlich unterschreiben und prüfen könnte? Luna: Stufe 1 · 43 % · gleiches Oberthema, hilft nicht · Haiku-Prüfung: Stufe 4 · einzelne zitierbare Belege
  2. SF-E5 Welche Mitsprache haben die Menschen, die mit KI leben, bei Tempo und Grenzen, und welche Entscheidungen müssen bei ihnen bleiben?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 43 %einzelne zitierbare Belege
    • amos 41 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 50 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug

Weitere Berichte zu diesen Fragen

Eigene Zusammenfassungen und Einordnungen von AMANi DUNiA. Fremde Originalberichte behalten ihre eigenen Rechte.

Sprache und Prüfstand

Haupttext: DE. Prüfvermerke gelten nur für den jeweils genannten Inhalt.

Vorhandene Prüfvermerke stehen am jeweiligen Inhalt.

Sprachabdeckung und Datenstand ansehen →