Ein Sturm bildet sich über der Karibik. Wettermodelle sind sich uneinig, wohin er zieht und wie stark er werden wird. Fünf Tage vor dem Landgang sagt ein KI-Modell mit 80-prozentiger Sicherheit voraus, dass das System Jamaika als Hurrikan der Kategorie 5 treffen wird. Diese Vorhersage erweist sich als korrekt. Der Sturm, Hurrikan Melissa, verursacht schwere Überschwemmungen und Erdrutsche, aber die Gemeinden erhalten früher Warnungen, als es mit herkömmlichen Vorhersagewerkzeugen möglich gewesen wäre. Dies ist kein hypothetisches Szenario. Es ist das, was im Oktober 2025 passiert ist, und es markiert einen Wendepunkt in der Anwendung künstlicher Intelligenz auf eines der folgenschwersten Vorhersageprobleme der Wissenschaft.
Der Ein-Tages-Vorsprung, für den ein Jahrzehnt nötig war
Das WeatherNext-Modell, entwickelt von Google DeepMind und Google Research, liefert Zyklonvorhersagen mit einer Vorwarnzeit, die im Durchschnitt einen ganzen Tag länger ist als bei bestehenden Modellen. Um das ins richtige Verhältnis zu setzen: Seine Dreitagevorhersagen sind so präzise wie die Zweitagevorhersagen bisheriger Modelle. Dieser einzelne Tag zusätzlicher Warnzeit ist keine kleine technische Verbesserung. Historisch gesehen hätte die Steigerung der Vorhersagegenauigkeit um einen Tag etwa ein Jahrzehnt schrittweiser wissenschaftlicher Arbeit erfordert, so die Forscher hinter dem Modell.
Mike Brennan, Direktor des US National Hurricane Center, bringt die Einsätze auf den Punkt. Evakuierungen müssen organisiert werden. Vorräte müssen bereitgestellt werden. Ressourcen müssen positioniert werden. Jede dieser Aufgaben ist zeitkritisch, und das Handeln auf Basis einer falschen Vorhersage hat schwerwiegende Folgen. „Zeit ist wirklich Gold wert, wenn es um solche Entscheidungen geht“, hat Brennan gesagt. Ein zusätzlicher Tag verbessert nicht nur eine Zahl in einer Leistungstabelle. Er verändert das, was für die Menschen, die für den Schutz von Leben verantwortlich sind, operativ möglich ist.
Das Intensitätsproblem, vor dem frühere Modelle kapitulierten
Die Zugbahnvorhersage, also die Richtung, in die ein Sturm zieht, ist schon seit einiger Zeit eine relative Stärke von KI-Wettermodellen. Die Intensitätsvorhersage ist eine völlig andere Angelegenheit. Hurrikane operieren gleichzeitig auf mehreren räumlichen Skalen. Die Vorhersage der Bahn eines Sturms erfordert atmosphärische Daten im globalen Maßstab: Kaltfronten, vorherrschende Winde, großräumige Drucksysteme. Die Vorhersage, wie stark ein Sturm werden wird, erfordert feinkörnige, lokale Daten über die Atmosphären- und Ozeanbedingungen im Kern des Sturms.
Frühere KI-Modelle kamen mit der Zugbahniger gut zurecht. Bei der Intensität, wie es Kate Musgrave, Leiterin der Arbeitsgruppe für tropische Zyklone am Cooperative Institute for Research in the Atmosphere und Mitautorin der Studie, ausdrückt, „konnten sie überhaupt nichts bewirken“. Dieser Unterschied ist in der Praxis von enormer Bedeutung. Ein Sturm, der bei Kategorie 1 noch handhabbar erscheint, kann sich über Nacht rasant zu einem Notstand der Kategorie 5 auswachsen. Hurrikan Melissa veranschaulichte genau dieses Szenario, und es markierte das erste Mal, dass das National Hurricane Center in der Lage war, einen Hurrikan der Kategorie 5 vorherzusagen, während der Sturm noch die Intensität von Kategorie 1 aufwies.
Was die Leistung von WeatherNext bei der Intensität für Forscher besonders rätselhaft macht, ist die Tatsache, dass es diese Genauigkeit mit weniger detaillierten atmosphärischen Daten erreicht, als herkömmliche Modelle erfordern. Als die breitere wissenschaftliche Gemeinschaft dies erfuhr, war die Überraschung groß. Man war davon ausgegangen, dass eine feinkörnige Intensitätsvorhersage feinkörnige Eingabedaten erfordert. WeatherNext scheint auf noch nicht verstandene Weise aussagekräftige Signale aus groberen Eingaben zu extrahieren. „Letztendlich ist es eine Blackbox“, sagt Ferran Alet, Forschungswissenschaftler bei Google DeepMind und einer der Hauptautoren der Studie, „aber das gibt Physikern das Signal, dass etwas passiert, das bisher nicht verstanden wurde.“
Was eine Blackbox der Wissenschaft lehrt
Hier wird die Geschichte über die Meteorologie hinaus interessant. Das WeatherNext-Modell liefert nicht nur eine einzige Vorhersage. Es generiert eine Reihe potenzieller Szenarien für jeden sich entwickelnden Sturm und erfasst dabei die Empfindlichkeit komplexer Systeme gegenüber kleinen anfänglichen Schwankungen. Letztes Jahr erzeugte es 50 Szenarien pro Sturm. Mittlerweile generiert es 1.000. Ein solches Volumen an probabilistischen Ergebnissen ist mit herkömmlichen numerischen Modellen angesichts der aktuellen Rechenkapazitäten schlicht nicht machbar.
Die Undurchsichtigkeit des Modells ist sowohl eine Einschränkung als auch, unerwartet, ein wissenschaftliches Instrument. Forscher verstehen nicht vollständig, warum es so gut funktioniert, wie es funktioniert. Aber die Tatsache, dass es funktioniert, und zwar mit Eingaben, die die wissenschaftliche Gemeinschaft für unzureichend hielt, ist selbst aussagekräftig. Sie legt nahe, dass Daten mit geringerer Auflösung mehr Vorhersagesignale über die Sturmintensität enthalten als bisher angenommen. Das ist eine Hypothese, die es zu untersuchen lohnt, und sie wäre ohne die anomale Leistung des KI-Modells nicht entstanden.
Google DeepMind hat angekündigt, die während der Hurrikansaison verwendeten WeatherNext-Modelle als Open Source zur Verfügung zu stellen. Damit soll der breiten Forschergemeinschaft die Möglichkeit gegeben werden, sie zu untersuchen, zu nutzen und auf ihnen aufzubauen. Alet hat die Hoffnung geäußert, dass diese Offenheit neue wissenschaftliche Erkenntnisse darüber hervorbringen könnte, wie sich Zyklone verhalten, und nicht nur bessere Vorhersagen.
Brennans Einordnung sollte man hier im Hinterkopf behalten. Das Modell ist ein mächtiges neues Werkzeug, aber es ist eines unter vielen. Kein einzelnes Modell garantiert eine überlegene Leistung bei jedem Sturm oder jeder Saison. Menschliche Expertise bleibt unerlässlich, nicht weil KI keine Daten verarbeiten kann, sondern weil die Übersetzung einer Zugbahn- und Intensitätsvorhersage in umsetzbare Folgenabschätzungen ein Urteilsvermögen erfordert, das über reine Mustererkennung hinausgeht. „Es sind die Auswirkungen, die Menschen töten“, bemerkt Brennan. Diese Übersetzungsarbeit gehört in die Hände von Experten.
Kurz gefasst
WeatherNext zeigt, dass KI eine langjährige Lücke in der Hurrikan-Vorhersage schließen kann – insbesondere die Schwierigkeit, rasche Intensitätsänderungen vorherzusagen –, während sie mit Dateneingaben arbeitet, die die herkömmliche Wissenschaft für unzureichend hielt. Die Verbesserung der Vorwarnzeit um einen Tag ist menschlich gesehen bedeutsam: Sie vergrößert das Zeitfenster für Evakuierung, Logistik und Vorbereitung. Die unerklärliche Genauigkeit des Modells weist zudem auf etwas Größeres hin. Wenn ein KI-System die Erwartungen mit Methoden übertrifft, die Wissenschaftler noch nicht verstehen, wird die Blackbox zu einer Forschungsfrage. Das Ziel sind nicht nur bessere Vorhersagen. Es ist neues Wissen darüber, wie Stürme funktionieren.
Basierend auf Berichten von Ars Technica.