# WeatherNext 2: Google DeepMind의 가장 발전된 기상 예측 모델 > Clean Markdown view of GeekNews topic #24451. Use the original source for factual precision when an external source URL is present. ## Metadata - GeekNews HTML: [https://news.hada.io/topic?id=24451](https://news.hada.io/topic?id=24451) - GeekNews Markdown: [https://news.hada.io/topic/24451.md](https://news.hada.io/topic/24451.md) - Type: GN+ - Author: [neo](https://news.hada.io/@neo) - Published: 2025-11-19T01:33:51+09:00 - Updated: 2025-11-19T01:33:51+09:00 - Original source: [blog.google](https://blog.google/technology/google-deepmind/weathernext-2/) - Points: 5 - Comments: 1 ## Summary **WeatherNext 2**는 **Google DeepMind**가 만든 차세대 **AI 기상 예측 모델**로, 단일 **TPU**에서 1분 만에 수백 가지 시나리오를 생성하며 기존 대비 **8배 빠른 속도**를 자랑합니다. 새로운 **Functional Generative Network(FGN)** 구조 덕분에 예측이 단순히 빠를 뿐 아니라 **물리적으로 일관된 결과**를 유지하고, **시간당 해상도**로 세밀한 분석이 가능합니다. 예측 데이터는 **Earth Engine**과 **BigQuery**에서 바로 활용할 수 있고, **Vertex AI**를 통해 맞춤형 추론도 지원합니다. AI가 날씨를 읽는 방식이 이렇게 진화하니, 이제 개발자도 “기상 데이터”를 하나의 **실시간 API 자원**처럼 다루는 시대가 열리고 있음을 실감하게 됩니다. ## Topic Body - **WeatherNext 2**는 AI 기반으로 **글로벌 기상 예측의 정확도와 효율성을 크게 향상**한 모델 - 단일 **TPU**에서 1분 이내에 수백 가지 **기상 시나리오**를 생성하며, 기존 모델보다 **8배 빠른 예측 속도** 제공 - 새로운 **Functional Generative Network(FGN)** 구조를 통해 **물리적으로 일관된 예측**을 유지하고, **시간당 해상도**까지 지원 - 예측 데이터는 **Earth Engine**과 **BigQuery**에서 이용 가능하며, **Vertex AI**의 조기 접근 프로그램을 통해 맞춤형 추론 기능 제공 - 이 기술은 **Search, Gemini, Pixel Weather, Google Maps Platform** 등 구글 서비스 전반의 기상 기능을 **업그레이드**함 --- ### WeatherNext 2 개요 - **Google DeepMind와 Google Research**가 공동 개발한 WeatherNext 2는 **AI 기반 기상 예측 모델**로, 기존 대비 **8배 빠른 속도**와 **1시간 단위 해상도**를 제공 - 단일 입력에서 수백 개의 가능한 기상 시나리오를 생성 - 예측은 단일 **TPU**에서 1분 미만에 완료되며, 기존 **물리 기반 슈퍼컴퓨터 모델**은 수시간 소요 - 이 모델은 **온도, 풍속, 습도 등 99.9%의 변수와 예측 리드타임(0~15일)** 에서 이전 모델보다 우수한 성능을 보임 - WeatherNext 2는 **지구 전역의 고해상도 예측**을 가능하게 하며, **기상 기관의 의사결정 지원**에도 활용됨 ### 새로운 AI 모델링 접근법 - WeatherNext 2는 **Functional Generative Network(FGN)** 라는 새로운 AI 모델링 방식을 채택 - 모델 구조에 직접 **‘노이즈’를 주입**하여 예측 결과가 **물리적으로 현실적이고 상호 연결된 상태**를 유지 - 이 접근법은 **‘마지널(marginal)’과 ‘조인트(joint)’** 예측 모두에 유용 - 마지널은 개별 요소(예: 특정 위치의 온도, 고도별 풍속, 습도) - 조인트는 여러 요소가 결합된 **대규모 기상 시스템**으로, 폭염 지역이나 풍력 발전량 예측 등 복합적 현상 분석에 필수 - 모델은 마지널 데이터만으로 학습하지만, **조인트 패턴을 스스로 학습해 복합 예측을 수행** ### 데이터 접근 및 활용 - WeatherNext 2의 예측 데이터는 **Google Earth Engine**과 **BigQuery**에서 공개 - Earth Engine 데이터 카탈로그와 BigQuery Analytics Hub를 통해 조회 가능 - **Google Cloud Vertex AI**에서는 조기 접근 프로그램을 통해 **맞춤형 모델 추론(inference)** 기능을 제공 - 이 기술은 **Search, Gemini, Pixel Weather, Google Maps Platform의 Weather API** 등에 통합되어, 향후 **Google Maps의 날씨 정보 기능**에도 적용 예정 ### 연구에서 실제로 - WeatherNext 2는 **연구 성과를 실제 응용으로 확장**한 사례 - Google은 이 기술을 통해 **전 세계 연구자, 개발자, 기업**이 복잡한 문제 해결에 활용할 수 있도록 **도구와 데이터를 개방** - 향후에는 **새로운 데이터 소스 통합**과 **접근성 확대**를 통해 모델 성능을 지속적으로 개선할 계획 - Google은 **지리공간 AI 연구 생태계** 강화를 위해 **Earth Engine, AlphaEarth Foundations, Earth AI** 등과 연계 ### 추가 자료 - WeatherNext 2 관련 **논문(arXiv: 2506.10772)** 공개 - **개발자 문서**, **Earth Engine 데이터 카탈로그**, **BigQuery 쿼리 예시**, **Vertex AI 조기 접근 등록 페이지** 제공 - 관련 모델로는 **GenCast**(극한 기상 예측)와 **GraphCast**(전 지구적 빠른 예보)가 함께 소개됨 ## Comments ### Comment 46504 - Author: neo - Created: 2025-11-19T01:33:53+09:00 - Points: 1 ###### [Hacker News 의견](https://news.ycombinator.com/item?id=45954210) - 나는 이 주제에 꽤 깊이 들어가 있는데, 외부인이 흥미로워할 만한 점은 **neuralgcm**이나 **WeatherNext 1** 같은 최신 모델들이 모두 **CRPS** 라는 목적함수로 학습된다는 점임 이 방식은 일반적인 ML 분야에서는 거의 안 쓰이고, 날씨 예측에서만 보았음 요약하자면 입력에 무작위 **노이즈**를 추가하고, 일반적인 손실(L1 등)을 최소화하면서 동시에 서로 다른 노이즈 초기값으로 생성된 두 결과 간의 차이를 최대화하도록 학습함 이런 접근이 언젠가 전통적인 **GenAI**에도 적용될지 궁금함 - 노이즈는 입력이 아니라 모델 **파라미터**에 추가되는 것 아닌가 궁금함 이건 [Variational Noise 논문](https://www.cs.toronto.edu/~graves/nips_2011.pdf)을 떠올리게 함 만약 입력에 노이즈를 더하는 거라면, [DINO](https://arxiv.org/abs/2104.14294) 같은 **SSL 기법**과 비슷할 것 같음 - 최근 최적화 작업에서 서로 다른 두 출력을 의도적으로 만들고 싶었는데 좋은 휴리스틱을 찾지 못했음 GenAI와는 무관한 작업이었지만, 이 **CRPS 방식**이 있었다면 도움이 되었을 것 같음 - 이 접근은 [Variational Autoencoder](https://en.wikipedia.org/wiki/Variational_autoencoder)를 떠올리게 함 - 왜 L2 손실 대신 이런 방식을 쓰는지 목적이 궁금함 - 모델이 과거 데이터를 학습하긴 하지만, 실제 예측 시에는 새로운 관측값으로 여러 번 **앙상블 실행**을 한다는 점을 명확히 해야 함 - 최근 Google 검색의 지역 날씨 예보가 눈에 띄게 부정확해졌음을 느꼈음 몇 주 전부터 밤 기온이 영하로 떨어질 거라고 계속 예보했지만 실제로는 그렇지 않았음 내 지역은 예측이 어려운 곳이긴 하지만, 다른 비Google 소스들이 훨씬 정확했음 혹시 새 모델의 **롤아웃**이 이미 이루어져서 더 나빠졌거나, 반대로 곧 개선될 예정인지 궁금함 지역 단위로 모델별 예측 성능을 비교할 수 있는 사이트가 있는지도 알고 싶음 - [Open-Meteo](https://open-meteo.com/)의 무료 API가 유용함 모델별 예보 데이터를 그래프로 시각화할 수 있고, 여러 주요 모델을 포함함 다만 **WeatherNext**는 아직 없음 - 지역별 모델 성능 비교가 너무 당연한 기능처럼 보이는데, 실제로는 거의 존재하지 않음. 이유가 궁금함 - 발표에서 속도와 시나리오 수의 향상은 강조했지만, **정확도 개선**에 대한 설명이 부족하다고 느꼈음 “WeatherNext 2는 8배 빠르고 1시간 단위 해상도를 제공한다”는 문구는 멋지지만, 결국 사용자인 나는 **정확한 예보 하나**만 원함 - 중요한 점은, 이 제품의 **최종 사용자**는 일반인이 아니라는 것임 CRPS 점수 같은 지표는 전문가용이며, 이는 전통적인 앙상블 모델의 **under-dispersion 문제**를 해결하기 위한 것임 이런 개선이 결국 일반 사용자가 보는 **결정론적 예보**의 정확도를 높이는 기반이 됨 관련 기술은 [WeatherBench](https://sites.research.google/gr/weatherbench/)에서 확인 가능함 - 일반 사용자 입장에서는 설명이 부족했음 날씨 예보의 핵심은 수십 년 전부터 **앙상블 시나리오** 개념이었고, “비 올 확률 70%”는 100개 시나리오 중 70개에서 비가 온다는 뜻임 즉, 단 하나의 ‘정확한 예보’는 존재하지 않음 - 사용자로서 나는 **불확실성의 분산**도 보고 싶음 많은 날씨 앱들이 이를 시각적으로 잘 보여줌 - 가장 중요한 벤치마크는 **정확도**이며, 기존의 물리 기반 모델(GFS, ECMWF 등)과 비교해야 함 이런 모델들은 거대한 HPC 클러스터에서 돌아가지만, 중앙에서 계산 후 결과만 배포하면 되므로 효율적임 - 과거 데이터로 학습된 모델이지만, 물리 기반 요소가 부족해 보임 고성능을 위해 필요한 **물리적 근거**가 어디에 있는지 궁금함 - Google의 날씨 예측 엔진은 이미 매우 뛰어나며, 이번 시즌의 **허리케인 경로 예측**은 놀라울 정도로 정확했음 반면 미국 정부의 **Global Forecasting System(GFS)** 은 점점 나빠지고 있음 관련 기사: [Ars Technica 링크](https://arstechnica.com/science/2025/11/googles-new-weather-model-impressed-during-its-first-hurricane-season/) - “GFS가 나빠지고 있다”는 게 구체적으로 어떤 의미인지 궁금함 - 논문을 읽어보니 모델을 얼마나 자주 **재학습**해야 하는지 명시되어 있지 않음 지역별 분포를 학습하는 구조라면, 시간이 지나면 패턴이 변하므로 주기적인 재학습이 필요할 것 같음 만약 매주 3일씩 학습해야 한다면, 그건 현실적으로 **비용 문제**가 될 수 있음 - 제2차 세계대전 시절의 일화가 떠오름 **Kenneth Arrow**가 장기 예보가 무작위 추측과 다를 바 없다는 걸 발견했지만, 상관은 “쓸모없다는 걸 알아도 계획에는 필요하다”고 답했다고 함 - 통계 수업에서 들었는데, 실제로 **좋은 날씨가 나쁜 날씨보다 훨씬 많음** 그래서 “비 안 온다”고만 말해도 90%는 맞음 그런데 과거 기상예보는 그보다 정확도가 낮았다는 게 아이러니함 요즘 모델은 정말 놀라울 정도로 정확해서 10일 예보도 거의 맞음 - 고대의 **점술**도 단순한 미신이 아니라, 결정을 내리지 못할 때 무작위 선택을 통해 행동하게 만드는 **의사결정 도구**였다는 해석이 있음 - **Eisenhower**의 말처럼 “계획은 쓸모없지만, 계획하는 과정은 필수적임”이라는 교훈이 떠오름 - 최근 Google 기본 날씨 앱의 정확도가 떨어졌음 2~5도 정도 차이가 나는 경우가 많았음 HN에서 추천받은 **Weawow** 앱을 써봤는데, 이름은 별로지만 정확도는 훌륭함 지금까지 써본 중 가장 만족스러움 - 여전히 **AI 기반 날씨 예보**가 실생활에서는 멀게 느껴짐 부모님 세대가 TV 일기예보를 보던 시절과 비교해도 체감 정확도는 크게 다르지 않음 예보된 맑은 날에 폭우가 오거나, 비 예보가 있었는데 하루 종일 맑은 경우가 여전함 소비자 입장에서는 기술 발전이 실제 **체감 신뢰도**로 이어지지 않는 것 같음 - 데이터는 존재함: [Our World in Data](https://ourworldindata.org/weather-forecasts)에 따르면 예보 정확도는 꾸준히 향상 중임 - 문제는 데이터의 **표현 방식**임 예를 들어 Apple Weather에서 “비 오는 날”은 하루 중 한 시점이라도 비 확률이 높으면 그렇게 표시됨 실제로는 오전 5시에만 비가 오고 나머지는 맑을 수도 있음 사용자가 데이터를 **해석**할 수 있어야 하고, AI가 개인의 관심사에 맞게 예보를 **맥락화**해주면 좋겠음 - 예보는 꾸준히 개선 중이지만, **단계적 진화**이지 갑작스러운 혁신은 아님 예를 들어 [Weathergraph](https://weathergraph.app)에 **rainbow.ai**의 단기 강수 예측을 추가했는데, 지금까지 써본 중 가장 정확했음 레이더 데이터 자체도 노이즈가 많고, 이를 정제하는 과정이 이미 **ML 모델**임 - 실제로는 정확도가 크게 향상됨 30년 전의 1일 예보 수준이 지금의 4일 예보 정확도와 같음 다만 우리가 날씨를 더 잘 이해하게 된 건 아니고, **계산 능력**이 비약적으로 늘어난 결과임 - 일반적인 날씨 예보도 여전히 완벽하진 않음 - 이 모델을 어디서 쓸 수 있는지 궁금했음 예전 **Dark Sky**처럼 초지역 단위 예보를 찾고 있음 - 이제 연구 결과가 실제 서비스에 통합되었음 **WeatherNext 2**의 예보 데이터는 **Earth Engine**과 **BigQuery**에서 사용 가능하며, **Vertex AI**에서 커스텀 추론용으로 조기 접근 프로그램도 운영 중임 또한 **Search, Gemini, Pixel Weather, Google Maps Platform Weather API**에도 적용되어 있음 - 개인적으로는 **Windy** 앱을 가장 좋아함 모델 간 예보 차이를 비교할 수 있고, **바람 벡터 애니메이션**이 시각적으로 매우 흥미로움 - **HRRR** 모델도 매우 훌륭함 1시간마다 갱신되고, 15분 단위 해상도로 18시간, 1시간 단위로 48시간 예보를 제공함 [HRRR 사이트](https://rapidrefresh.noaa.gov/hrrr/) - 예전 **Weather Underground**는 개인 기상 관측소 데이터를 통합했었음 IBM이 인수한 이후 많이 바뀌었지만, 그 프로젝트가 아직 살아 있을지도 모름 - Google의 공식 [Weather API 링크](https://mapsplatform.google.com/maps-products/weather/)도 참고할 만함 - 이번 시즌 가장 정확한 **허리케인 예측**을 제공한 모델이 이번에 발표된 것과 같은 모델인지 궁금함 관련 기사: [Ars Technica 링크](https://arstechnica.com/science/2025/11/googles-new-weather-model-impressed-during-its-first-hurricane-season/)