Vierundzwanzig Stunden vor dem Eintreffen eines tropischen Wirbelsturms können eine Krise verändern. Ein Krankenhaus kann gefährdete Patienten verlegen, bevor Straßen überflutet sind. Ein Hafen kann Kräne, Container und Treibstoffanlagen sichern. Familien können Transport, Medikamente und Unterkunft organisieren, solange amtliche Anordnungen noch ohne Panik umsetzbar sind. Deshalb passt WeatherNext Cyclones von Google DeepMind zu Good Tech News: Der Wert liegt nicht im AI-Prestige, sondern in zusätzlicher Warnzeit.

AI-gestützte Wirbelsturmprognose mit Wahrscheinlichkeitsbahnen und vorbereiteter Infrastruktur Nature veröffentlichte am 6. August 2026 den Artikel “Operational Tropical Cyclone Forecasting with AI”. WeatherNext Cyclones wird darin als operatives Modell für globale Vorhersagen von Zugbahn, Intensität und Windradien tropischer Wirbelstürme beschrieben. DeepMind meldet in der Bewertung jüngerer Stürme im Mittel einen Vorsprung von etwa einem Tag oder mehr gegenüber führenden operativen Modellen. Praktisch heißt das: Eine Drei-Tage-Prognose könnte ungefähr so nützlich sein wie früher eine Zwei-Tage-Führung.

Das ist wichtig, weil ein Wirbelsturm nicht nur eine Linie auf einer Karte ist. Die Bahn hängt von großräumigen Strömungen ab, die Intensität von Ozeanwärme, Windscherung, Feuchte und inneren Prozessen um das Auge. Verschiebt sich der Sturm um einige Dutzend Kilometer, ändern sich die betroffenen Orte. Verstärkt er sich schnell, schrumpft das Zeitfenster für Evakuierung, Klinikvorbereitung und Hafenschließung.

Die zentrale Einschränkung bleibt: Das Modell ersetzt keine nationalen Wetterdienste. DeepMind verweist für amtliche Warnungen ausdrücklich auf lokale meteorologische Behörden. Mike Brennan, Direktor des US National Hurricane Center, erklärte WIRED, zusätzliche Zeit könne Evakuierungen und Vorbereitung verbessern; entscheidend bleibe aber der Mensch, der die Vorhersage in konkrete Auswirkungen übersetzt. Menschen sterben durch Wasser, Wind, abgeschnittene Straßen und zu späte Entscheidungen, nicht durch eine abstrakte Modellkennzahl.

Technisch kombiniert WeatherNext Cyclones globale Atmosphärendaten mit fachlich kuratierten historischen Wirbelsturmbeobachtungen. DeepMind nennt fast 20 TB atmosphärische Daten und die IBTrACS-Datenbank mit rund 5 000 historischen Stürmen. Das System kann Vorhersagen bis zu 15 Tage erstellen und große Ensembles möglicher Szenarien erzeugen. Solche Ensembles zeigen die gefährlichen Ränder der Verteilung: eine unerwartete Kurve zur Küste, ein größeres Windfeld oder schnelle Intensivierung kurz vor Landfall.

Auch die Geschwindigkeit zählt. DeepMind zufolge kann eine 15-Tage-Prognose in weniger als einer Minute auf einem TPU entstehen. Physikalische numerische Wettermodelle bleiben unverzichtbar; sie verschwinden nicht. Große physikalische Ensembles sind jedoch teuer. Wenn AI mehr plausible Zukünfte schneller sichtbar macht, erhalten Meteorologen ein zusätzliches Werkzeug für Risikoabwägung.

Ein Detail mahnt zur Vorsicht. WeatherNext nutzt Daten mit etwa 28 mal 28 Kilometern Auflösung, grob im Vergleich zu Prozessen im Kern eines Hurrikans. Trotzdem sind die Ergebnisse bei der Intensität stark, obwohl gerade das für Wetter-AI lange schwierig war. Kate Musgrave vom CIRA hob diesen Punkt in WIRED hervor. Warum diese Leistung bei solcher Auflösung möglich ist, muss weiter unabhängig geprüft werden.

Der Fall Hurricane Melissa zeigt den Nutzen. DeepMind beschrieb, wie WeatherNext dem National Hurricane Center half, das Risiko eines Kategorie-5-Landfalls auf Jamaika früher zu erkennen. Richtig formuliert: Das Modell lieferte experimentelle Orientierung für Experten, nicht eine öffentliche Warnung einer Firma. Amtliche Entscheidungen blieben bei den verantwortlichen Institutionen.

Positiv ist die Offenheit. Das Repository google-deepmind/weathernext ist unter Apache-2.0 öffentlich; bei der Prüfung hatte es etwa 7.459 Sterne, 959 Forks und 77 offene Issues. DeepMind veröffentlichte Code und Gewichte für WeatherNext 2 und WeatherNext Cyclones. Für Wetterdienste und Forschung ist das entscheidend, weil Modelle regional, saisonal und an Extremfällen geprüft werden müssen. Offenheit ersetzt weder Daten noch Rechenleistung noch Fachleute, ermöglicht aber Kontrolle.

Die Debatte ist nützlich. Einige begrüßen AI für eine wissenschaftliche Aufgabe mit öffentlichem Nutzen. Andere erinnern daran, dass solche Modelle auf öffentlicher Infrastruktur beruhen: Satelliten, Messstationen, Reanalysen, NOAA, NHC, Met Office und ähnliche Dienste. Würde der industrielle Erfolg als Vorwand für Kürzungen dienen, verlöre das Modell seine Grundlage. Die gute Nachricht lautet daher nicht: AI schlägt Wetterdienste. Sie lautet: AI kann öffentliche Vorhersage stärken, wenn öffentliche Institutionen stark bleiben.

Konkrete Anwendungen gibt es viele: Schifffahrt, Stromnetze, Krankenhäuser, humanitäre Logistik, Versicherungen und Küstenplanung. Der Nutzen ist immer mehr Zeit für eine bestimmte Entscheidung. Risiken bleiben: Übervertrauen, falsches Lesen von Wahrscheinlichkeiten, ungleicher Zugang und noch nie gesehene Sturmkonstellationen. Gute Technik ersetzt hier nicht Verantwortung; sie gibt verantwortlichen Menschen vielleicht einen Tag mehr.

Quellen

Google DeepMind; Nature, “Operational Tropical Cyclone Forecasting with AI”, 6. August 2026; Google Keyword; WIRED; DeepMind Weather Lab; National Hurricane Center; Repository google-deepmind/weathernext.