WeatherNext 3 ของ Google เลิกรอ reanalysis แล้วเรียนจากภาพดาวเทียมสดกับสถานีตรวจอากาศโดยตรง — ออกพยากรณ์ใหม่ทุกชั่วโมงที่ความละเอียด 5 กม. และเปิดให้ดึงผ่าน BigQuery กับ Earth Engine

โมเดลพยากรณ์อากาศด้วย ML ที่ผ่านมาทั้ง GraphCast และ GenCast ล้วนติดคอขวดเดียวกัน — มันเทรนและรันบน reanalysis grid ซึ่งเป็นข้อมูลที่ต้องผ่านกระบวนการ data assimilation ของศูนย์พยากรณ์อากาศก่อน กว่าจะได้สถานะเริ่มต้นมาป้อนโมเดลก็ผ่านไปหลายชั่วโมงแล้ว ผลคือรอบพยากรณ์ถูกล็อกไว้ที่ทุก 6 ชั่วโมง ต่อให้ตัวโมเดลรันเสร็จในไม่กี่วินาทีก็ตาม

WeatherNext 3 ที่ Google ประกาศเมื่อ 3 ก.ย. 2026 โจมตีคอขวดนั้นตรง ๆ ด้วยการ เทรนบนการสังเกตจริงแบบเรียลไทม์แทน — ภาพดาวเทียม geostationary สดทั่วโลก ข้อมูลจากสถานีตรวจอากาศที่กระจายตัวห่าง ๆ และข้อมูลฝนจาก IMERG ของ NASA — ทำให้มันเป็น โมเดลพยากรณ์อากาศระดับโลกตัวแรกที่ออกรอบพยากรณ์ใหม่ทุกชั่วโมง ตามคำอธิบายของ Google เอง

นี่ไม่ใช่แค่การเพิ่มความถี่ เพราะการเปลี่ยนแหล่งข้อมูลตั้งต้นแปลว่าโมเดลไม่ต้องรอใครอีกต่อไป

ตัวเลขที่เปลี่ยนไปจาก WeatherNext 2

จากประกาศของ Google และหน้าเอกสารสำหรับนักพัฒนา:

	WeatherNext 2	WeatherNext 3
รอบพยากรณ์	ทุก 6 ชม.	ทุกชั่วโมง (24 รอบต่อวัน)
ความละเอียด	0.25° (~25 กม.) ทั้งหมด	0.05° (~5 กม.) สำหรับตัวแปรที่ยิงไปที่สถานี, 0.1° (~10 กม.) สำหรับกริดผิวพื้น, 0.25° (~25 กม.) สำหรับชั้นความกดอากาศ
สมาชิก ensemble	64	64
ระยะพยากรณ์	—	15 วัน (360 ชม.) สำหรับรอบ 6 ชั่วโมง และ 48 ชม. สำหรับรอบรายชั่วโมงระหว่างกลาง
เปิดตัว	มิ.ย. 2025	ส.ค. 2026 (ประกาศ 3 ก.ย. 2026)

จุดที่ควรอ่านให้ละเอียดคือคำว่า single-pass — เอกสารนักพัฒนาระบุว่าสถาปัตยกรรมนี้ผลิตตัวแปรผิวพื้นที่ปรับเทียบกับสถานีที่ 5 กม. กริดผิวพื้นที่ 10 กม. และชั้นบรรยากาศที่ 25 กม. ในการรันครั้งเดียว ไม่ได้ใช้โมเดล downscaling ต่อท้าย ซึ่งเป็นวิธีมาตรฐานที่ใช้กันมา

Google บอกว่าผลลัพธ์โดยรวม “คมกว่าโมเดลก่อนหน้าราวห้าเท่า” และในเรื่องฝนซึ่งเป็นตัวแปรที่โมเดล ML ทำได้แย่มาโดยตลอด ตัวเลขที่ประกาศคือดีขึ้น 60% เมื่อวัดกับ IMERG, 30% เมื่อวัดกับ MRMS และ 10% เมื่อวัดกับมาตรวัดน้ำฝนภาคพื้นดินที่ระยะพยากรณ์สั้น ส่วนพยากรณ์ฝนระยะไกลขึ้นระบุว่าแม่นขึ้น “สูงสุด 50%”

ตัวเลขสามชุดที่ต่างกันสำหรับ “ฝน” ไม่ใช่ความสับสน — มันคือการวัดกับ ground truth คนละแบบ (ดาวเทียม, เรดาร์, และเครื่องวัดจริง) และการที่ตัวเลขไล่จาก 60% ลงมาเหลือ 10% เมื่อเข้าใกล้การวัดจริงที่สุด เป็นสิ่งที่ควรจำไว้เวลาอ่านพาดหัวที่หยิบเลข 60% ไปใช้เดี่ยว ๆ

นักพัฒนาเอาไปใช้ยังไง

ส่วนที่เกี่ยวกับคนอ่านบล็อกนี้มากที่สุด — WeatherNext 3 ไม่ได้อยู่แต่ในเปเปอร์ ตามเอกสารของ Google มันเข้าถึงได้สามทาง:

• BigQuery — คิวรี่เป็น SQL ตรง ๆ เหมาะกับงานที่ต้องดึงค่าเฉพาะจุดหรือ join กับข้อมูลอื่น
• Earth Engine — สำหรับงานเชิงพื้นที่และการวิเคราะห์แบบ raster
• Google Cloud Storage ในรูปแบบ Zarr — สำหรับ bulk download เข้ามาประมวลผลเองด้วย xarray/dask

และในฝั่งผลิตภัณฑ์ปลายทาง Google ระบุว่ามันถูกใส่เข้าไปใน Google Search, แอป Gemini, Google Maps, Google Maps Platform Weather API และ Earth Engine แล้ว

ข้อควรรู้ก่อนวางแผน: หน้าเอกสารเปรียบเทียบโมเดลของ Google ระบุว่าการเข้าถึงต้องผ่าน allowlist ผ่าน quick start guide และ ไม่มีการประกาศราคา ในหน้าเอกสาร ส่วนโมเดลรุ่นเก่า (WeatherNext 1 Graph ที่เป็น GraphCast แบบ deterministic ปี 2023 และ WeatherNext 1 Gen ที่เป็น GenCast แบบ diffusion ปี 2024 ที่ 50 สมาชิก) ยังคงเปิดไว้สำหรับงานวิจัยและการทำ benchmark

มุมมอง AI Curator

สิ่งที่ผมคิดว่าสำคัญกว่าตัวเลขความแม่นยำ คือ การเปลี่ยนแหล่งข้อมูลตั้งต้นจาก reanalysis มาเป็นการสังเกตดิบ เพราะมันย้ายเส้นแบ่งของสิ่งที่โมเดล ML แข่งได้

ตราบใดที่โมเดล ML ยังกินเอาต์พุตของ data assimilation มันคือ ส่วนขยาย ของระบบพยากรณ์เชิงตัวเลขแบบเดิม — เร็วกว่า ถูกกว่า แต่ยังต้องรอ ECMWF หรือ NOAA ทำงานเสร็จก่อนเสมอ พอโมเดลเทรนหัวแยกบนการสังเกตดิบได้เอง มันเริ่มกิน ส่วนที่แพงที่สุดของ pipeline เข้าไปด้วย ซึ่งเป็นการเปลี่ยนโครงสร้างต้นทุน ไม่ใช่แค่คะแนน benchmark

สำหรับไทยและอาเซียนโดยเฉพาะ ผมคิดว่าเรื่องนี้มีน้ำหนักมากกว่าที่หลายคนจะรู้สึกทันที ด้วยเหตุผลตรงไปตรงมา: ภูมิภาคนี้มีสถานีตรวจอากาศภาคพื้นดินหนาแน่นน้อยกว่ายุโรปและอเมริกาเหนือมาก แต่มีภาพดาวเทียม geostationary ครอบคลุมเต็มพื้นที่ โมเดลที่เรียนจากดาวเทียมสดได้โดยตรงจึงเป็นสถาปัตยกรรมที่เข้าทางพื้นที่ที่ข้อมูลภาคพื้นดินบาง — ซึ่งตรงข้ามกับโมเดลรุ่นก่อนที่พึ่ง reanalysis ที่คุณภาพในเขตร้อนมักด้อยกว่าเขตอบอุ่นอยู่แล้ว

แต่ก็ต้องพูดข้อจำกัดให้ชัด: Google ไม่ได้เผยแพร่คะแนนแยกตามภูมิภาค ตัวเลข 60%/30%/10% เป็นค่าระดับโลก และฝนในเขตร้อนที่เกิดจากการพาความร้อนแบบเฉพาะที่ (convective) เป็นโจทย์ที่ยากที่สุดของทุกโมเดล — ยากกว่าระบบแนวปะทะอากาศในเขตอบอุ่นมาก ใครที่จะเอาไปใช้จริงกับการเตือนภัยน้ำท่วมในไทยควรทำ verification กับข้อมูลกรมอุตุนิยมวิทยาและสถานีวัดน้ำฝนในพื้นที่ก่อน ไม่ใช่รับตัวเลขระดับโลกมาทั้งดุ้น

ประเด็นสุดท้ายคือเรื่องการพึ่งพา การที่โมเดลพยากรณ์อากาศที่ดีที่สุดในโลกกลายเป็นบริการที่ต้องขอ allowlist บน cloud ของบริษัทเดียวและยังไม่ประกาศราคา เป็นสภาพที่ต่างจากยุคที่เอาต์พุต GFS ของ NOAA เป็นสมบัติสาธารณะโหลดได้ฟรีอย่างสิ้นเชิง หน่วยงานรัฐในภูมิภาคที่กำลังคิดจะสร้างระบบเตือนภัยบนฐานนี้ ควรมองมันเป็นชั้นเสริมที่วางทับระบบของตัวเอง ไม่ใช่ตัวแทน และควรถามเรื่องเงื่อนไขระยะยาวตั้งแต่วันแรก — เพราะโครงสร้างพื้นฐานด้านการเตือนภัยพิบัติเป็นสิ่งที่ย้ายผู้ให้บริการกลางทางได้ยากที่สุด

แหล่งข่าว

• Introducing WeatherNext 3, our most advanced and accurate global weather AI model — Google (3 ก.ย. 2026)
• WeatherNext models: specifications — Google for Developers
• WeatherNext — Google DeepMind
• Google’s WeatherNext 3 ditches physics simulations and learns weather directly from live satellite data — The Decoder