به گزارش خبرگزاری ایمنا و به نقل از ورج، این مدل اکنون در محصولات کاربری گوگل همچون جست‌وجو (Search)، Gemini، پیکسل وِدر (Pixel Weather) و Google Maps به کار می‌رود تا پیش‌بینی‌های هواشناسی دقیق‌تری ارائه دهد. طبق اعلام گوگل، WeatherNext 2 حدود ۸ برابر سریع‌تر از نسخه قبلی مدل است، از قابلیت‌های کلیدی این مدل این است که قادر است صدها سناریوی مختلف آب و هوایی را تنها از یک نقطه شروع ایجاد کند، این به لطف معماری خاصی به نام Functional Generative Network (FGN) ممکن شده است، پیش‌بینی‌ها تا ۱۵ روز جلوتر قابل اجراست و مدل می‌تواند پیش‌بینی ساعتی (hourly) ارائه دهد.
کاربران شرکتی همچون بخش انرژی، کشاورزی، لجستیک می‌توانند از این مدل استفاده کنند چون تصمیم‌گیری دقیق‌تر با پیش‌بینی‌های ساعتی برای آن‌ها ارزش زیادی دارد، گوگل امکان دسترسی به داده‌های این مدل را از طریق Earth Engine و BigQuery فراهم کرده و همچنین یک برنامه دسترسی اولیه (early access) برای مدل‌های سفارشی روی Vertex AI راه‌اندازی کرده است. انقلاب در پیش‌بینی هواشناسی استفاده از هوش مصنوعی برای پیش‌بینی هوا (به جای مدل‌های فیزیکی پیچیده) می‌تواند تحول بزرگی ایجاد کند؛ مدل‌هایی همچون WeatherNext 2 می‌توانند با سرعت و دقت بالا، پیش‌بینی‌های احتمالی مختلف را تولید کنند.
امکان شبیه‌سازی سناریوهای متعدد (سناریوی طوفان شدید، بارندگی غیرمنتظره) به مدیران بحران، انرژی و زیرساخت‌ها کمک می‌کند تصمیمات پیش‌نگرانه‌تری بگیرند. مدل‌های فیزیکی هواشناسی سنتی بسیار پرهزینه از نظر محاسباتی‌اند و بیشتربه ابرکامپیوتر نیاز دارند، WeatherNext 2 با معماری FGN توانسته میزان محاسبات را کاهش دهد و در عین حال سرعت پیش‌بینی را افزایش دهد. این به معنای امکان استفاده از پیش‌بینی دقیق‌تر در مقیاس بزرگ‌تر (همچون برای کشورهای در حال توسعه یا سازمان‌های کوچک‌تر) است. صنایع همچون انرژی (تولید و توزیع برق)، حمل‌ونقل، کشاورزی و لجستیک که بسیار به وضعیت هوا وابسته‌اند، می‌توانند از پیش‌بینی‌های دقیق‌تر و سناریوهای مختلف بهره ببرند. شرکت‌ها می‌توانند مدل سفارشی بر اساس نیاز خود بسازند چون گوگل دسترسی به مدل را از طریق سکو ابری فراهم کرده است. پیش‌بینی سناریوهای بدترین وضع ممکن (همچون طوفان شدید یا نوسان شدید دما) در کمتر از یک دقیقه، امکان واکنش سریع‌تر و برنامه‌ریزی اضطراری را فراهم می‌کند، این قابلیت می‌تواند در مدیریت بلایای طبیعی، هشدار سراسری و تخمین ریسک کمک بزرگی باشد.
دقت سناریوهای پیش‌بینی‌شده؛ اگرچه مدل می‌تواند صدها سناریو تولید کند، اما همیشه ممکن است دقیق‌ترین سناریوی واقعی را پیش‌بینی نکند، به‌خصوص در شرایط آب و هوایی بسیار پیچیده یا غیرقابل‌پیش‌بینی، وابستگی به داده‌های آموزشی: کیفیت پیش‌بینی هوش مصنوعی بسیار وابسته به داده‌هایی است که مدل با آن‌ها آموزش دیده است. اگر داده‌های تاریخی کم یا جانبدار باشند، مدل ممکن است ضعف‌هایی داشته باشد. نپذیرفتن کامل جایگزینی مدل فیزیکی؛ اگرچه AI مزایایی دارد، ولی مدل‌های فیزیکی هنوز در برخی کاربردها (همچون مدل‌سازی دقیق طوفان‌های بسیار شدید) مهم هستند.
پیش‌بینی با استفاده از هوش مصنوعی به زودی می‌تواند به یک ابزار اصلی برای «آمادگی اقلیمی» (climate resilience) تبدیل شود: مدل‌هایی همچون WeatherNext 2 می‌توانند به ایجاد شهرهای پایدارتر، بهبود سیستم انرژی و کاهش خسارات بلایای طبیعی کمک کنند. ممکن است شاهد ترکیب مدل‌های AI و مدل‌های فیزیکی باشیم؛ تلفیق مزایای هر دو (دقت فیزیکی + سرعت AI) می‌تواند بهترین خروجی را بدهد. شرکت‌های دیگر نیز (همچون Nvidia، مراکز پیش‌بینی اقلیمی، سازمان‌های هواشناسی دولتی) شاید بیشتر به سمت AI می‌آیند و رقابت بیشتری در این حوزه شکل خواهد گرفت. با دسترسی عمومی‌تر مدل (از طریق سکوهایی همچون Google Cloud)، محققان اقلیمی و استارتاپ‌ها می‌توانند نوآوری بیشتری در کاربردهای پیش‌بینی هوا داشته باشند، همچون پیش‌بینی کشاورزی دقیق‌تر، هشدار سیلاب برنامه‌ریزی انرژی خورشیدی و بادی و غیره است.