DeepMinds GenCast erzeugt laut Studie globale 15-Tage-Karten in acht Minuten und führt pro Prognose 50 Ensemble-Durchläufe, deutlich schneller als klassische numerische Modelle. Auch Google berichtet für Graphcast sehr kurze Rechenzeiten; mehrere Forschungsgruppen zeigen ähnliche Geschwindigkeitsvorteile, die mehr Ensemble-Varianten erlauben. Meteorologische Institute wie MeteoSchweiz und der Deutsche Wetterdienst sehen Vorteile bei der Unsicherheitsabschätzung, warnen aber vor Grenzen bei Extremereignissen und regionalen Phänomenen. Tests und Vergleiche laufen; konkrete Produktionsdaten und kommerzielle Rollout-Termine sind bisher nicht genannt.

Die Debatte, ob KI-basierte Vorhersagemodelle die klassischen numerischen Wettermodelle ersetzen können, hat mit mehreren jüngsten Studien und Demonstrationen neuen Stoff erhalten. DeepMind veröffentlichte eine peer-reviewed Studie zu GenCast, einem auf historischen Daten trainierten Modell, das laut den Autoren globale 15-Tage-Prognosen in acht Minuten berechnet und pro Prognose 50 Ensemble-Läufe zur Unsicherheitsabschätzung durchführt. Die Autoren berichten, dass GenCast die traditionellen mittelfristigen Vorhersagen in den untersuchten Messgrößen übertraf.

Parallel dazu zeigt Google mit Graphcast ähnliche Rechenzeitvorteile. Google gibt an, dass Graphcast Zehn-Tage-Vorhersagen in unter einer Minute erzeugt. Weitere Gruppen und Firmen haben Aurora oder Pangu Weather als KI-gestützte Ansätze demonstriert, die ebenfalls deutlich schneller rechnen sollen. Diese Geschwindigkeit erlaubt es, deutlich mehr Ensemble-Varianten zu fahren als in konventionellen Systemen üblich. Meteorologische Vertreter sagen, dass KI-Modelle anstelle der üblichen rund elf Ensemble-Läufe künftig mehrere Dutzend oder sogar hundert Varianten erzeugen könnten.

Warum KI so schnell ist und was das praktisch bedeutet

Der technische Grund liegt in der Methode. Klassische Wettervorhersage beruht auf numerischer Integration gekoppeltener atmosphärischer Differentialgleichungen auf einem räumlichen Gitter. Genauigkeit steigt mit feinerem Raster, der Rechenaufwand aber ebenfalls. Daher sind regionale Modelle mit kleinem Gitter meist nur kurzfristig praktikabel und nutzen parametrische Beschreibungen, etwa für Wolkenbildung.

KI-Modelle lernen Muster in historischen Datensätzen. Sie benötigen keine expliziten physikalischen Gleichungen. Das reduziert Rechenzeit und Hardwarebedarf erheblich, sodass globale Karten schnell erzeugt werden können. In der Folge ist es praktisch möglich, sehr grosse Ensembles zu fahren und Unsicherheiten detaillierter abzubilden.

MeteoSchweiz und andere Institute nennen diese Fähigkeit als klaren Vorteil gegenüber rein physikalischen Systemen.

Mastheads

Die konkrete Zahl der Ensemble-Läufe ist kein rein theoretischer Vorteil. GenCast führt 50 Durchläufe pro Prognose aus, und die Autoren heben hervor, dass dies die Analyse von Unsicherheiten verbessert. Für Operationalität bedeutet das: mehr Informationen über Wahrscheinlichkeiten bei Temperatur, Niederschlag und anderen Parametern, ohne die tagelange Rechenzeit grosser numerischer Modelle.

Grenzen der datenbasierten Modelle

Trotz der Leistungskennzahlen warnen Fachleute vor Einschränkungen. KI-Modelle können Probleme haben, Extremereignisse vorherzusagen, die nicht in den Trainingsdaten vorkommen. Unter geänderten Klimabedingungen könnten datengetriebene Modelle schlechter generalisieren als physikalisch begründete Systeme, deren Gleichungen weiterhin gelten, so Expertinnen und Experten der ETH Zürich und von MeteoSchweiz.

Regionale Phänomene bleiben herausfordernd. Konvektive Gewitter, lokale Effekte durch komplexes Terrain und Mikrophysik sind Prozesse, die eine hohe Beobachtungsdichte und feine Auflösung benötigen. Dort reichen historische Daten und grössere Modellauflösungen oft nicht aus, damit reine Data-Driven-Modelle diese Prozesse zuverlässig lernen. Deshalb sehen meteorologische Institutionen KI nicht als vollständigen Ersatz, sondern als Ergänzung.

Der Deutsche Wetterdienst (DWD) bezeichnet die Nature-Veröffentlichung zu GenCast als "wichtigen Schritt" und testet parallel eigene KI-Modelle neben den klassischen Systemen. Das DWD-Projekt AICON läuft seit Anfang März 2026 im Testbetrieb. Das Europäische Zentrum für mittelfristige Wettervorhersage, ECMWF, bietet Online-Vergleiche zwischen KI- und klassischen Vorhersagen an, um Unterschiede systematisch zu dokumentieren.

Einige Leistungsangaben bleiben allerdings schwer zu verifizieren. Einzelne Berichte behaupten, Graphcast liefere in 90 Prozent der Fälle bessere Zehn-Tage-Prognosen als klassische Modelle. Andere Meldungen sprechen davon, dass Huaweis Pangu Weather Vorhersagen "10.000 Mal schneller" als konventionelle Modelle liefere. Angaben zum Schweizer Start-up Jua mit einem 4,8-Milliarden-Parameter-Modell, 5-km-Auflösung und einer prognostizierten Reichweite bis 60 Tage erscheinen ebenfalls nur in einzelnen Quellen. Solche Einzelaussagen sollten mit Vorsicht betrachtet werden, bis sie unabhängig bestätigt sind.

Für die Anwenderseite bleibt offen, wann und in welcher Form KI-gestützte Vorhersagen in die breite Produktion gehen. Weder DeepMind noch Google haben konkrete kommerzielle Rollout-Termine oder Preise für private Nutzer bekanntgegeben. Meteorologische Dienstleistungen wie MeteoSchweiz prüfen die Ergebnisse und vergleichen sie mit bestehenden Produkten.

Praktisch könnten schnellere globale Karten bereits jetzt die kurzfristige Entscheidungsfindung verbessern, etwa durch schnell verfügbare Unsicherheitsfelder für Einsatzleitungen, Luftfahrt oder Energieplanung. Langfristig wird die Frage sein, wie KI-Modelle in bestehende Operationalverfahren integriert werden, so dass die physikalische Konsistenz und die Fähigkeit, seltene Extremereignisse zu behandeln, erhalten bleiben.

Related Articles

Der Deutsche Wetterdienst testet eigene KI-Ansätze im Rahmen des AICON-Projekts, das seit Anfang März 2026 im Testbetrieb läuft, und das ECMWF stellt Online-Vergleiche zwischen KI- und klassischen Vorhersagen bereit. Konkrete, flächendeckende Produktionsdaten und kommerzielle Rollout-Termine für die neuen KI-Systeme liegen bislang nicht vor.

Dieser Artikel wurde mit KI-Unterstützung erstellt.