חיזוי מזג אוויר ממוחשב עובד כבר עשרות שנים בשיטה אחת: מחלקים את כדור הארץ לרשת תלת-ממדית של תאים, ופותרים בכל תא משוואות פיזיקליות המתארות תנועת אוויר, לחות וחום. השיטה עובדת, אך היא יקרה מאוד — היא דורשת חלק מן המחשבים החזקים בעולם — ויש לה גבול מובנה. אדוארד לורנץ הראה ב-1963 ששגיאות זעירות בתנאי ההתחלה מוכפלות כל כמה ימים, ולכן גם עם מודל מושלם התחזית מאבדת משמעות סביב שבועיים קדימה. בפועל טווח התחזית המועיל עומד על כשישה ימים.
הכלי המקובל להתמודדות עם אי-הוודאות הזו הוא תחזית צברים, שנכנסה לשימוש מבצעי ב-1992: מריצים את המודל שוב ושוב עם שינויים קטנים בתנאי ההתחלה או בפרמטרים הפיזיקליים, ומתייחסים לפיזור התוצאות כמדד לביטחון בתחזית.
הגישה החדשה שונה מן היסוד: במקום לפתור פיזיקה, המודל לומד מארכיוני מזג אוויר — בעיקר ממאגר הניתוח מחדש ERA5 של המרכז האירופי לתחזיות לטווח בינוני — כיצד נראה מצב האטמוספרה שעות וימים אחרי מצב נתון. משפחת המודלים הזו הופיעה כמעט כולה בין 2022 ל-2023: Pangu-Weather של Huawei, GraphCast של Google, FourCastNet ו-Earth-2 של NVIDIA, WeatherMesh של WindBorne, Aurora של Microsoft ו-GenCast של Google DeepMind.
היתרון הבולט הוא עלות חישוב נמוכה בסדרי גודל מזו של מודל פיזיקלי. Aurora, למשל, מספקת תחזית מזג אוויר גלובלית לעשרה ימים ותחזית זיהום אוויר לחמישה ימים בעלות נמוכה בהרבה מן הנהוג במודלים המסורתיים.
המעבר מן המחקר למעשה כבר החל: המרכז האירופי לתחזיות החל ב-2024 לפרסם תחזיות בזמן אמת ממודל הלמידה שלו, AIFS. גם כאן התמונה מעורבת ולא חד-משמעית — המודל הראה יכולת טובה בחיזוי מסלולן של הוריקנים, אך ביצועים נמוכים מן המודלים הפיזיקליים בחיזוי שינויי עוצמתן.