I oktober 2025 bubblade en storm upp över Karibiska havet, och väderprognosmodellerna var oense. Skulle den klinga av över Haiti, eller förvandlas till ett monster och styra mot Jamaica? In i bilden kommer WeatherNext, Google DeepMinds AI-modell, som självsäkert förutspådde det senare – fem dagar innan landfall, med 80 procents säkerhet, att stormen skulle träffa Jamaica som en kategori 5-orkan.

Orkanen Melissa gjorde precis det, och orsakade förödelse med översvämningar och jordskred över hela Jamaica. Men tack vare AI:ns tidiga varning fick samhällena mer tid att förbereda sig. Enligt en artikel publicerad i Nature på torsdagen ger WeatherNext prognosmakare i genomsnitt en extra dags framförhållning – dess tre dagars prognoser är lika träffsäkra som tidigare modellers två dagars. Som Mike Brennan, chef för USA:s nationella orkancentrum, uttrycker det: ”Tid är verkligen guld värd.” Ja, när man lastar förnödenheter och evakuerar människor, är en extra dag rena lyxen.

Historiskt sett har en dags förbättrad prognossäkerhet tagit ett decennium av arbete. Så vad är hemligheten? Att träna en AI på massor av väderdata, även om cyklondata är knapp. Som Ferran Alet, forskare vid DeepMind, förklarar: ”Vi har inte så mycket cyklondata, men vi har mycket väderdata.” Så de tränade en modell för att vara bra på båda.

Orkaner är knepiga eftersom de verkar på flera skalor – spårprognoser behöver global data, medan intensitet kräver lokala detaljer. Tidigare AI-modeller kunde spika spåret men fumlade med intensiteten. WeatherNext däremot klarar båda, och överraskade till och med forskarna. ”Jag tror alla blev förvånade över hur bra den var”, säger Kate Musgrave, medförfattare och tropisk cyklonledare. Modellen var så bra i retrospektiva tester att de var skeptiska till att den skulle fungera i realtid. Det gjorde den.

Här kommer kruxet: AI:n använder data med lägre upplösning än traditionella modeller, men den utmärker sig ändå. Det har förbryllat forskare, eftersom det tyder på att de lägre upplösningsdata innehåller mer signal än man tidigare trott. Alet medger: ”Det är en svart låda i slutändan”, men det kan antyda fysik som vi ännu inte förstår.

Modellen genererar också en rad scenarier – förra året 50 per storm, nu 1 000 – för att fånga potentiella fjärilseffekter. Det är något traditionella modeller inte kan göra med nuvarande datorkraft. Brennan varnar dock för att WeatherNext bara är ett verktyg, och att mänsklig expertis fortfarande är avgörande. När allt kommer omkring, ”är det effekterna som dödar människor”, inte bara prognosen.

DeepMind gör modellerna öppen källkod, i hopp om att forskare ska kunna låsa upp nya insikter. Alet är entusiastisk: ”Jag tror att AI ger oss nya verktyg för att peta i universums lagar.” Och kanske, bara kanske, hålla oss ett steg före vädrets nästa utbrott.