Google DeepMind veröffentlichte WeatherNext 3 am 3. September, und die entscheidende Zahl ist nicht die in der Schlagzeile. Die Schlagzeilen-Zahl ist Auflösung: ein natives 5-Kilometer-Gitter, stündlich aktualisiert, ungefähr fünfmal schärfer als WeatherNext 2s 25-Kilometer, Sechs-Stunden-Output. Die entscheidende Zahl ist die Fehlerspanne — der Continuous Ranked Probability Score, oder CRPS, den das Team um bis zu 60% gegen NASAs IMERG-Satellitenniederschlagsprodukt verbessert hat. CRPS ist ein probabilistischer Score: er bewertet nicht eine einzelne Vorhersage, sondern die Form der gesamten Verteilung, die das Modell ausgibt. Lies das genau. WeatherNext 3 verspricht nicht Regen um 14:00. Es sagt dir, wie sicher es sich ist — und es ist messbar besser darin geworden, ehrlich über seine eigene Unsicherheit zu sein.

Die Herkunft ist nennenswert. Frühere KI-Prognostiker, WeatherNext 2 eingeschlossen, lernten von numerischer Wettervorhersage: Supercomputer-Physik-Simulationen mit sechs Stunden Datenverzögerung. WeatherNext 3 macht etwas strukturell anderes — es trainiert direkt auf rohen geostationären Satellitenmosaiken und spärlichen Bodenbeobachtungen, speist ein einzelnes Functional Generative Network Mesh-Transformer. Das Lernen aus der Beobachtung statt der Simulation ist der Bruch. Darum aktualisiert sich das Modell stündlich statt sechsstündig, und darum löst es den thermischen Fingerabdruck eines Tals auf, das ein 25-Kilometer-Gitter in ein flaches Pixel verschmiert. Brightbands unabhängige Live-Ranglisten — nicht Googles Benchmarks — setzen es an die Spitze, genau die Replikation, die dieser Schreibtisch verlangt, bevor er einer Ankündigung glaubt.

←HEUTE: Sept 2026 — ein KI-Modell prognostiziert Schweizer Talwetter stündlich bei 5 km, über Earth Engine kostenlos abfragbar.
→3012: Mikroklima wird eine abfragbare Designeingabe, jede Fassade auf ihre eigene Terrain- und Sonnen-Anziehung abgestimmt.
Drehpunkt: die Prognose ist vertrauenswürdig nur, weil sie jetzt meldet, wie unsicher sie ist — Auflösung ohne Fehlerspanne ist blosse Dekoration.

Zieht jetzt die Linie zum Bauplatz. Für ein Schweizer Büro sind die interessanten Variablen diejenigen, die die Ankündigung am Ende vergräbt: 100-Meter-Windgeschwindigkeit auf Nabenhöhe, plus hochaufgelöste Wolkendecke und Oberflächenstrahlung. Das ist eine Mikroklima-Schicht, die ein Fassadentechniker, ein Minergie-Modellierer oder ein Erneuerbaren-Entwickler noch nie bei 5-Kilometer-Auflösung kostenlos hatten. Küstenlinien, Täler und Bergketten — wo Temperatur und Feuchte über wenige Kilometer schwanken — sind genau dort, wo die alten Gitter scheiterten, und genau dort, wo die meiste Schweizer Gebaute Umwelt sitzt.

Atelier: Für ein Büro, das Gebäudeenergie modelliert oder Erneuerbare spezifiziert, ist der Wechsel von regionalen Durchschnittswetterdateien zu standortspezifischen probabilistischen Prognosen, die man abfragen kann, statt nur herunterzuladen. Die Falle ist die, die PAZ’s eigenes Konzept-Panel zu naturinspirierten Optimierern benennt: eine gute Prognose, wie ein entwickelter Strukturschnitt, ist eine Hypothese, keine Gewissheit — sie gibt eine plausible Antwort, nie eine bewiesene. Montags-Zug: eine Stunde WeatherNext 3 für die exakten Koordinaten eines laufenden Projekts aus Earth Engine pullen, gegen die Meteonorm oder DesignBuilder-Datei, der du vertraust, diffen, dann entscheiden — CRPS in Hand — wie viel des Spalts echtes Signal ist.

Hack: Eine Nabenhöhen-Windprognose in die Zahl umrechnen, die wirklich eine Netzanbindung dimensioniert — Leistung. Windleistung skaliert kubisch mit der Geschwindigkeit, darum wird ein 5%-Fehler in der Windprognose zu einem ~16%-Fehler in der Leistungsvorhersage, darum lohnt sich das Rechnen.

rho, area, v = 1.225, 12000, 9.2   # Luftdichte, Rotorfläche m2, 100m Wind m/s
p_watts = 0.5 * rho * area * v**3   # Kinetische Leistung im Wind
cp = 0.42                           # realistischer Turbinenbeiwert
print(round(p_watts * cp / 1e6, 2), "MW")   # ~2.4 MW

`v` um einen halben Meter pro Sekunde erhöhen und beobachten, wie die Megawatt tanzen — diese kubische Empfindlichkeit ist genau, warum Wind-Auflösung bei 100 Metern statt 10 Kilometern die Projektzahlen verändert.

Die Atmosphäre bewahrt einen Boden echter Unvorhersehbarkeit, und des Modells Ehrlichkeit über diesen Boden ist sein bestes Merkmal, kein Fehler. WeatherNext 3 also wie jedes Wonder-Material frisch von der Werkbank behandeln: nur ins Workflow spezifizieren, nachdem du die Fehlerspanne gelesen und gegen eine vertraute Quelle geprüft hast. Daten pullen, diffen, für jeden Claim eine Zahl in der Tasche behalten.

Quelle: blog.google