KI-Wettermodelle werden bei der Vorhersage besser, doch der Hype läuft der Evidenz voraus

Das jüngste datierte Wettermaterial in der Akte ist gar keine Vorhersage. Eine Studie, über die die South China Morning Post am 26. Oktober berichtete, ergab, dass chinesische Video-KI-Modelle bei der visuellen Qualität US-Konkurrenten schlagen, bei Schutzmechanismen aber zurückliegen. Das ist eine nützliche Erinnerung daran, dass "Qualität eines KI-Modells" ein Bündel getrennter Aussagen ist und kein einzelner Wert. Nichts in der Akte datiert eine neue globale Wettermodelle-Version auf die letzten 72 Stunden.

Die Ankündigungen, die es gibt, häufen sich Ende Oktober und Anfang November, und die meisten stammen von Anbietern.

Envision erklärte, sein Wetter-Grundlagenmodell Tianji habe den AI Weather Quest des Europäischen Zentrums für mittelfristige Wettervorhersagen angeführt, laut einer Kyodo-News-Meldung vom 2. November. Deutschland startete ein globales Wettermodell auf KI-Basis, wie ein Bericht von Radar.am vom 1. November zeigt. Vaisala schloss die Übernahme des KI-Wetterunternehmens Atmo ab, meldete The Manila Times am 29. Oktober. Jede dieser Meldungen ist eine Unternehmens- oder Regierungserklärung über das eigene System, und keine der drei nennt im Text der Akte einen unabhängigen Fehlerwert.

Was die Benchmarks tatsächlich messen

Wo die Akte Zahlen enthält, stammen sie aus der Forschung und nicht aus dem Marketing. Ein am 29. Oktober bei arXiv eingereichtes Paper, FABench, baut eine Backtesting-Umgebung für Vorhersage-Agenten und stellt in seiner ersten Version 287 Fragen aus neun Bereichen. Die Autoren bewerteten Agenten, die auf acht aktuellen Modellen aufsetzen. Dabei zeigte sich: Retrieval verbesserte den Brier-Score aller acht in jeder Retrieval-Einstellung. Die führenden Agenten erreichten bei 54 Fragen mit Bezug zu Polymarket das Marktkonsens-Niveau, die besten drei lagen leicht darüber. Das ist ein sorgfältiges, begrenztes Ergebnis. Es besagt, dass Retrieval hilft, nicht dass KI die Physik schlägt.

Zwei weitere Paper schärfen das Bild. QUAL, eingereicht am 30. Oktober, berichtet, dass die Angleichung von Quantilen über einen Pool von Zeitreihen-Grundlagenmodellen den durchschnittlichen Member-MASE auf GIFT-Eval um 7,4% und den CRPS um 9,8% senkte, ohne Training oder Modelländerung. Und ein Paper über Web-Weltmodelle, ebenfalls am 29. Oktober eingereicht, ergab, dass in einer abgeglichenen menschlichen Bewertung von 3.000 Vorhersagen aus zehn eingefrorenen offenen Modellen 86,1% als semantisch plausibel beurteilt wurden. Mehrere Modelle zeigten jedoch asymmetrisches Autorisierungsverhalten: Sie verbanden eine niedrige Rate falsch-sicherer Ausführungen mit einer schwachen Erkennung von Fällen, die eine Rückfrage hätten auslösen müssen. Plausibel ist nicht dasselbe wie sicher, und die Autoren sagen das auch.

"Neun von zehn Schritten in Agenten-Workflows sind Routine, und offene Modelle bewältigen sie zum gleichen Ergebnis für ein Viertel des Preises des günstigsten geschlossenen Modells", schrieben Mark Petty und Raymond Paquet von Gartner in einem Dokument mit dem Titel "Open-Weight Models Will Run 90% of Enterprise Agentic Workflow Steps", zitiert von The Register am 3. November.

Diese Gartner-Notiz handelt von Agenten, nicht vom Wetter, ist aber für jeden relevant, der eine Vorhersage-Pipeline budgetiert. Die Analysten beziffern die Einsparung gegenüber Frontier-Modellen im besten Fall auf nur ein Zwanzigstel. Dann räumen sie ein, dass aktuelle offene Modelle "weitschweifiger sein und häufiger wiederholen können, sodass die Einsparung pro Aufgabe gegenüber einem Frontier-Modell eher bei fünf- oder sechsmal liegt." The Register veröffentlichte das am 3. November. Wenn günstige offene Modelle den Großteil der Routine-Rechenarbeit erledigen, bleiben die teuren für die schwierigen Fälle reserviert, und die Wettervorhersage ist voller schwieriger Fälle.

Die Infrastruktur darunter

Die Qualität der Vorhersage hängt auch davon ab, was ins Modell hineingeht. Am 19. Oktober berichtete CNN, dass Kürzungen der Trump-Regierung bei Satelliten die US-Wettervorhersage um ein Jahrzehnt zurückwerfen werden, eine Geschichte, die das Medium am 27. Oktober aktualisierte. Das ist die Einschränkung, die kein Benchmark erfasst: Ein KI-Modell, das mit Beobachtungen trainiert wurde, kann die Beobachtungen nicht übertreffen, die es erhält. Ein Jahrzehnt verschlechterter Satellitendaten behebt auch keine bessere Architektur.

Nvidia treibt unterdessen seine offenen Earth-2-Modelle in europäische Einsätze, laut einem Unternehmensblogbeitrag vom 22. Oktober. Separat veröffentlichte das Unternehmen am 22. Oktober einen Beitrag darüber, dass europäische Finanzdienstleister offene Modelle nutzen, um proprietäre Intelligenz aufzubauen. Beides sind Anbieter-Blogs, die Einordnung ist entsprechend zu behandeln, doch sie zeigen, wohin Rechenleistung und Verbreitung gehen. IBM Research veröffentlichte am 22. Oktober auf Hugging Face seine eigene Sicht auf Ensemble-Vorhersage mit Granite-Zeitreihenmodellen. Das passt zu QUALs Befund, dass die Kombination von Modellen besser ist als die Wahl eines einzelnen.

Die skeptische Sicht ist nicht schwer zu finden. Nathan Lambert fragte am 30. Oktober auf Interconnects, ob er sich bei offenen Modellen und Cyberrisiken geirrt habe. Diese Frage sollte man neben Bruce Schneiers Beitrag vom 27. Oktober über das Verstecken von Fähigkeiten in KI-Modellen und seinen Beitrag vom 26. Oktober über Verzerrung im Qwen3-Coder-Modell lesen. Fähigkeits- und Sicherheitsaussagen kommen meist aus denselben Pressestellen. Die Akte enthält außerdem eine Interconnects-Zusammenfassung vom 20. Oktober zu DeepSeek V4.1 Flash 1017 und neuen regulatorischen Kontrollen in den USA und China, den politischen Hintergrund für all das.

Speziell zum Wetter ist die ehrliche Zusammenfassung kurz. Mehrere Organisationen sagen, ihre KI-Modelle schlügen etablierte Benchmarks. Ein Benchmark im Stil einer begutachteten Arbeit, FABench, zeigt, dass Retrieval Vorhersage-Agenten hilft, den Marktkonsens zu erreichen. Ein Sicherheitspaper zeigt, dass plausible Vorhersagen keine korrekten Entscheidungen garantieren. Niemand in dieser Akte veröffentlicht eine unabhängige, vergleichbare Prüfung der Wetteraussagen selbst. Bis das jemand tut, sind die Ankündigungen Beiträge zu einer Geschichte, nicht ihr Schluss.