Fem dagar innan orkanen Melissa gick i land på Jamaica var en enda prognos tydlig: en brutal eskalering, en kategori 5-storm var på väg, trots att Melissa då var kategori 1. Meteorologerna var splittrade. Modellen var det inte.

Den modellen heter WeatherNext, ett samarbete mellan Google DeepMind och Google Research, utvecklat med insikter från internationella institutioner som USA:s National Hurricane Center och Storbritanniens Met Office. Den släpptes som öppen källkod och tränades på nästan 20 terabyte global atmosfärdata samt årtionden av arkiverade klimatregister från internationella arkiv. Resultatet är en AI-vädermodell som betraktar en cyklons bana och dess råa kraft som en enda, sammanlänkad gåta.

Varför spelar det roll? För att prognostisering av en storms bana och prognostisering av dess intensitet vanligtvis görs av olika team med olika modeller. Det ena ser på planetariska vindar för att rita en rutt. Det andra zoomar in i stormens öga för att modellera termodynamik och småskaliga processer. Att förena båda delarna har varit ett ihållande problem. WeatherNext smälter samman dem.

Den praktiska vinsten är omedelbar. På Googles neurala beräkningshårdvara produceras en full 15-dagarsprognos på under 60 sekunder. Snabb återkoppling som denna gör det möjligt att generera stora ensembleuppsättningar (ensembleprognoser) - inte ett deterministiskt utfall, utan hundratals eller tusentals trovärdiga framtider - och att översätta dem till probabilistiska riskkartor som räddningstjänster och beslutsfattare kan handla utifrån.

WeatherNext lovar inte säkerhet. Den byter illusionen av säkerhet mot ett spektrum av möjligheter. Det är avsiktligt. För att tygla fjärilseffekten, där små mätfel växer till stora prognosskillnader, konstruerar modellen nu upp till 1 000 samtidiga scenarier för varje storm. Det är ett dramatiskt hopp från fjolårets ungefär 50-scenariouppsättningar, och det förändrar hur meteorologer tolkar risk.

En extra dag med tillförlitlig varning är inte abstrakt: den köper tid för evakueringar, logistik och livräddande beslut.

Driftprovning berättar en tydlig historia. Under Melissa, när konventionella system var oense om banan, signalerade WeatherNext med cirka 80% sannolikhet att cyklonen skulle intensifieras och slå mot Jamaica som en större storm dagar före landfall. Den typen av tidig, integrerad prognos omvandlar osäkerhet till handlingsbar planering.

Det finns tekniska nyanser. Modellen blandar globala dynamiska sammanhang med lokala intensitetsdrivare genom maskininlärningsarkitekturer optimerade på stora historiska register. Den ger sedan probabilistiska fördelningar för både position och styrka, vilket gör det möjligt för meteorologer att uppskatta inte bara var en storm kan röra sig, utan hur våldsam den kan vara när den anländer.

Utgivare och granskare har noterat det: forskningen publiceras i Nature, och teamet har öppnat modellens kod och vikter på GitHub, inbjudande oberoende validering och operativ experimentering från nationella meteorologiska tjänster, akademiska grupper och ideella organisationer. Denna öppenhet kan accelerera förbättringar och möjliggöra regionanpassning där data och behov varierar.

Kommer WeatherNext att ersätta traditionella modeller? Inte över en natt. Numerisk väderprognos ligger fortfarande till grund för mycket av prognostiseringen. Men att kombinera den ryggraden med AI-drivna ensemblemetoder och hastighet förändrar arbetsflödet. Krisplanerare får tidigare, mer nyanserade varningar. Forskare får en gemensam plattform för att utforska felkällor och bias. Samhällen får tid - och ibland är det skillnaden mellan avbrott och katastrof.

Håll koll på kodförrådet. Håll koll på prognoserna. Nästa säsong visar om denna blandning av skala, snabbhet och probabilistiskt tänkande blir det nya normala för cyklonprognoser.