Memasang WeatherNext 2 ke Dalam Engine

Kami telah memulai sesuatu yang, dengan selisih cukup jauh, merupakan peningkatan akurasi-prakiraan terbesar yang pernah kami coba: menggabungkan WeatherNext 2 dari Google DeepMind ke dalam inti probabilitas StormBot. Jika kami mewujudkannya dengan rapi, itu mengubah kualitas mendasar dari setiap edge yang ditandai mesin — dan karena itu payoff yang diharapkan dari setiap order yang kami rutekan.

Bagian sisa catatan ini membahas apa sebenarnya WeatherNext 2 itu, di mana ia unggul dibanding model NOAA GFS yang kami andalkan hari ini, mengapa integrasinya lebih sulit dari kedengarannya, dan bagaimana akses akan dibagi berjenjang berdasarkan volume perdagangan di platform begitu kami merilisnya.

Apa Itu WeatherNext 2?

WeatherNext 2 adalah model prakiraan paling canggih yang pernah dirilis Google DeepMind. Diperkenalkan pada akhir 2025 dan sudah menjalankan Google Search, Gemini, Pixel Weather, dan Google Maps, ini merupakan lompatan generasi dalam prakiraan cuaca skala global.

Alih-alih memecahkan persamaan fisika yang mengatur atmosfer — pendekatan yang digunakan NOAA GFS, model ECMWF, dan setiap sistem tradisional selama puluhan tahun — WeatherNext 2 belajar perilaku atmosfer langsung dari data historis puluhan tahun. Ini dibangun di atas arsitektur yang sama sekali baru yang disebut Functional Generative Network (FGN), yang menyuntikkan noise terkontrol langsung ke dalam model sehingga setiap prakiraan yang dihasilkannya tetap konsisten secara fisik dan koheren secara internal di seluruh variabel.

Mengapa Lebih Akurat dari NOAA GFS

Global Forecast System NOAA adalah karya rekayasa yang luar biasa — tapi dirancang di era sebelum deep learning, dan batas-batas pemodelan berbasis fisika sudah jelas selama bertahun-tahun. Ada alasan mengapa ECMWF secara historis mengungguli GFS dengan sekitar satu hari penuh kemampuan prakiraan, dan mengapa hampir setiap penyedia cuaca besar diam-diam mulai menambahkan AI di atas stack tradisional mereka.

Inilah saat WeatherNext 2 unggul atas GFS, khususnya pada jenis prakiraan suhu jangka pendek hingga menengah yang menggerakkan kontrak cuaca Polymarket:

• Pola atmosfer yang dipelajari vs. persamaan yang dipecahkan — GFS mendekati atmosfer dengan mendiskritisasinya menjadi grid dan menyelesaikan Navier-Stokes di setiap timestep. Aproksimasi itu menumpuk seiring waktu. WeatherNext 2 mempelajari perilaku non-linier penuh atmosfer dari data reanalisis ERA5, jadi tidak menumpuk kelas error numerik yang sama.
• Keluaran probabilistik native — GFS memberi Anda satu prakiraan per run. Untuk mendapatkan distribusi Anda butuh GEFS (ensemble), yang menambah biaya dan latensi. WeatherNext 2 mengeluarkan distribusi penuh secara native, jadi kami melihat probabilitas sebenarnya bahwa sebuah kota mencapai 14°C, bukan hanya estimasi titik yang harus kami bungkus secara Bayesian sendiri.
• Resolusi efektif lebih tinggi — WeatherNext 2 menghasilkan prakiraan global per jam. GFS beroperasi pada resolusi horizontal 13km dengan output 3 jam untuk rentang perdagangan kami. Untuk kontrak harian-maksimum dan harian-minimum khusus kota, granularitas temporal tambahan itu adalah edge yang nyata.
• Lebih baik di ekor distribusi — benchmark DeepMind menunjukkan keuntungan terbesar pada peristiwa probabilitas rendah, dampak tinggi: cold snap, kubah panas, badai. Ini persis pasar di mana ekor yang salah harga hidup dan dari mana perdagangan terbesar kami berasal.
• Ensemble yang koheren secara fisika — arsitektur FGN berarti setiap skenario dalam ensemble konsisten secara internal (skenario berangin juga memiliki gradien tekanan yang sesuai). Inilah yang membuat probabilitas dapat digunakan untuk penetapan harga.

Untuk horizon 0-3 hari yang membentuk sebagian besar pasar cuaca Polymarket, evaluasi independen menempatkan model AI modern di tier yang sama — dan sering kali di depan — IFS unggulan ECMWF, yang sendiri sudah jauh di depan GFS. Diterjemahkan kasar: beberapa persepuluhan derajat RMSE pada suhu maksimum harian di angka 48 jam, dan kalibrasi yang terlihat lebih ketat pada event langka.

Mengapa Ini Mengubah Hasil Trade

Seluruh edge StormBot berasal dari satu langkah mekanis: memperkirakan probabilitas sebenarnya dari sebuah bucket suhu secara lebih akurat daripada cara pasar Polymarket menghargainya. Segala sesuatu di hilir — keputusan YES/NO Claude, sizing Kelly, logika exit, trailing stop — semuanya bersumber dari estimasi probabilitas itu.

Hari ini kami meng-ensemble GFS, ECMWF, UKMO, dan NWS, memadukannya secara Bayesian dengan klimatologi historis NCEI, dan menerapkan CDF normal pada distribusi error prakiraan untuk mendapatkan probabilitas. Ini berhasil. Tapi secara fundamental dibatasi oleh akurasi model dasar.

Mengganti estimasi probabilitas itu dengan WeatherNext 2 sebagai sinyal utama memiliki efek yang sangat konkret:

• Deteksi edge yang lebih tajam. Setengah derajat peningkatan RMSE prakiraan diterjemahkan langsung menjadi 1-3% edge yang lebih dapat dideteksi pada pasar borderline yang saat ini disaring oleh ambang batas 2% kami. Lebih banyak sinyal mencapai Claude.
• Kalibrasi lebih baik. Saat kami bilang "78% probabilitas YES," itu harus benar-benar terselesaikan pada 78% di sampel besar. Keluaran probabilistik native WeatherNext 2 secara material lebih terkalibrasi dibanding apa pun yang bisa kami sintesis dari model deterministik.
• Lebih sedikit trade tail bencana. Kinerja model yang lebih kuat pada event langka berarti kami salah memberi harga fat tails lebih jarang — secara historis kategori kerugian tak terduga terbesar kami.
• Putaran model lebih cepat. Siklus fetch prakiraan kami saat ini terikat latensi oleh API cuaca gratis dengan rate limit. Menjalankan WeatherNext 2 melalui Vertex AI Google Cloud berarti kami bisa menyegarkan prakiraan sesuai jadwal kami sendiri, bukan jadwal mereka.

Mengapa Ini Masalah Sulit

Kami ingin terus terang: ini adalah pekerjaan rekayasa terberat yang kami ambil sejak migrasi infrastruktur v2. "Menyambungkan model baru" tidak pernah sesederhana yang terdengar, dan WeatherNext 2 khususnya memiliki sejumlah sisi tajam.

Peningkatan Akurasi yang Diharapkan

Berdasarkan benchmark yang dipublikasikan DeepMind dan pemodelan internal kami sendiri tentang bagaimana kesalahan prakiraan merambat melalui kalkulator edge kami, inilah ke mana kami memperkirakan kinerja StormBot akan bergerak setelah integrasi mendarat:

Akses: Berdasarkan Volume untuk Pengguna Setia

Kami harus jujur tentang ekonomi di sini. Inferensi WeatherNext 2 melalui Vertex AI tidak gratis, dan pekerjaan infrastruktur mewakili investasi rekayasa yang signifikan. Kami tidak bisa memberikannya kepada semua orang pada hari pertama — dan terus terang, kami tidak ingin begitu. Pengguna yang benar-benar telah membangun StormBot menjadi seperti sekarang adalah yang seharusnya mendapatkannya lebih dulu.

Saat WeatherNext 2 diluncurkan, aksesnya akan dibatasi oleh volume trading di platform. Volume perdagangan kumulatif Anda — setiap dolar pUSD yang telah Anda tempatkan melalui StormBot ke market Polymarket — menjadi mata uang yang membuka mesin yang ditingkatkan. Semakin banyak Anda berdagang, semakin awal dan dalam akses Anda.

Catatan singkat tentang keadilan: tingkatan volume dihitung dari aktivitas perdagangan Anda di platform, bukan dari ukuran dompet Anda. Pengguna dengan modal lebih kecil tetapi membiarkan bot berdagang secara konsisten akan naik tingkat lebih cepat daripada seseorang yang menyetor saldo besar dan membiarkannya menganggur. Ini disengaja — kami ingin memberi penghargaan kepada orang-orang yang benar-benar menggunakan StormBot sebagaimana mestinya.

Linimasa

Tidak ada janji pada tanggal pasti — ini adalah rekayasa serius, dan kami tidak akan terburu-buru memasukkannya ke produksi. Tetapi inilah peta jalan yang jujur:

• Sekarang: Akun Google Cloud disediakan, akses awal Vertex AI diminta, prototipe shadow-mode sedang dibangun terhadap data historis.
• Beberapa minggu ke depan: Refaktor mesin edge untuk mengonsumsi ensemble probabilistik. Pencatatan paralel di samping mesin saat ini.
• Minggu-minggu berikutnya: Shadow run di produksi — prediksi WeatherNext 2 dicatat untuk setiap pasar, dibandingkan dengan resolusi aktual, dengan laporan kalibrasi diterbitkan di sini.
• Setelah benchmark lulus: Alpha tertutup untuk pengguna Tier 1. Lingkar umpan balik dengan tim teknik. Penyesuaian akhir.
• Setelah alfa: Peluncuran bertahap melalui Tier 2, lalu Tier 3.