การเชื่อมต่อ WeatherNext 2 เข้ากับเอนจิน

เราได้เริ่มลงมือกับสิ่งที่ห่างไกลที่สุดในแง่ของการยกระดับความแม่นยำของการพยากรณ์ที่ยิ่งใหญ่ที่สุดเท่าที่เราเคยพยายามทำมา: การผสาน WeatherNext 2 ของ Google DeepMind เข้ากับแกนความน่าจะเป็นของ StormBot หากเราทำได้สำเร็จอย่างสะอาดหมดจด มันจะเปลี่ยนคุณภาพพื้นฐานของทุกเอดจ์ที่เอนจินตั้งค่าสถานะ — และดังนั้นผลตอบแทนที่คาดหวังของทุกคำสั่งที่เราส่ง

ส่วนที่เหลือของบันทึกนี้ครอบคลุมว่า WeatherNext 2 คืออะไรจริงๆ มันเหนือกว่าโมเดล NOAA GFS ที่เราพึ่งพาอยู่ในปัจจุบันตรงไหน เหตุใดการผสานรวมจึงยากกว่าที่ฟังดู และการเข้าถึงจะถูกจัดระดับตามปริมาณการเทรดบนแพลตฟอร์มอย่างไรเมื่อเราเปิดใช้งาน

WeatherNext 2 คืออะไร?

WeatherNext 2 คือโมเดลพยากรณ์ที่ก้าวหน้าที่สุดที่ Google DeepMind เคยปล่อยออกมา เปิดตัวปลายปี 2025 และขับเคลื่อน Google Search, Gemini, Pixel Weather และ Google Maps แล้ว เป็นก้าวกระโดดข้ามรุ่นในการพยากรณ์อากาศระดับโลก

แทนที่จะแก้สมการฟิสิกส์ที่ควบคุมบรรยากาศ — แนวทางที่ NOAA GFS, โมเดล ECMWF และทุกระบบดั้งเดิมใช้มาหลายทศวรรษ — WeatherNext 2 เรียนรู้พฤติกรรมบรรยากาศโดยตรงจากข้อมูลย้อนหลังหลายทศวรรษ มันถูกสร้างบนสถาปัตยกรรมใหม่ทั้งหมดที่เรียกว่า Functional Generative Network (FGN), ซึ่งฉีดสัญญาณรบกวนที่ควบคุมได้โดยตรงเข้าไปในโมเดล เพื่อให้ทุกการพยากรณ์ที่สร้างขึ้นยังคงสอดคล้องทางกายภาพและสอดคล้องภายในระหว่างตัวแปร

ทำไมจึงแม่นยำกว่า NOAA GFS

Global Forecast System ของ NOAA เป็นงานวิศวกรรมยอดเยี่ยม — แต่ถูกออกแบบในยุคก่อน deep learning และข้อจำกัดของการสร้างแบบจำลองตามฟิสิกส์ก็ชัดเจนมาหลายปีแล้ว มีเหตุผลที่ ECMWF เคยทำผลงานดีกว่า GFS ประมาณหนึ่งวันเต็มในด้านทักษะการพยากรณ์ และทำไมผู้ให้บริการสภาพอากาศรายใหญ่เกือบทุกรายจึงเริ่มซ้อน AI ทับสแต็คแบบดั้งเดิมของพวกเขาอย่างเงียบ ๆ

นี่คือจุดที่ WeatherNext 2 นำหน้า GFS โดยเฉพาะในประเภทพยากรณ์อุณหภูมิระยะสั้นถึงกลางที่ขับเคลื่อนสัญญาสภาพอากาศของ Polymarket:

• รูปแบบบรรยากาศที่เรียนรู้ vs สมการที่แก้ได้ — GFS ประมาณบรรยากาศโดยการแยกเป็นกริดและแก้สมการ Navier-Stokes ทุก timestep การประมาณเหล่านั้นทบต้นเมื่อเวลาผ่านไป WeatherNext 2 เรียนรู้พฤติกรรมแบบไม่เชิงเส้นทั้งหมดของบรรยากาศจากข้อมูล reanalysis ERA5 จึงไม่สะสมข้อผิดพลาดเชิงตัวเลขประเภทเดียวกัน
• เอาต์พุตเชิงความน่าจะเป็นแบบเนทีฟ — GFS ให้คุณหนึ่งการพยากรณ์ต่อการรัน เพื่อให้ได้การกระจาย คุณต้องใช้ GEFS (ensemble) ซึ่งเพิ่มต้นทุนและความหน่วง WeatherNext 2 ส่งออกการกระจายเต็มแบบเนทีฟ จึงเห็นความน่าจะเป็นจริงที่เมืองหนึ่งจะถึง 14°C ไม่ใช่แค่การประมาณจุดเดียวที่เราต้องห่อด้วย Bayesian เอง
• ความละเอียดที่มีประสิทธิภาพสูงกว่า — WeatherNext 2 สร้างพยากรณ์ทั่วโลกรายชั่วโมง GFS ทำงานที่ความละเอียดแนวนอน 13 กม. พร้อมเอาต์พุต 3 ชั่วโมงสำหรับช่วงการเทรดของเรา สำหรับสัญญารายวันสูงสุดและรายวันต่ำสุดเฉพาะเมือง ความละเอียดเวลาเพิ่มเติมนั้นเป็น edge ที่แท้จริง
• ทำได้ดีกว่าในส่วนปลายสุดของการกระจาย — เกณฑ์มาตรฐานของ DeepMind แสดงให้เห็นถึงกำไรที่ใหญ่ที่สุดในเหตุการณ์ที่มีความน่าจะเป็นต่ำและผลกระทบสูง: คลื่นความเย็น, โดมความร้อน, พายุ นี่คือตลาดที่หางที่กำหนดราคาผิดอยู่และที่มาของเทรดที่ใหญ่ที่สุดของเรา
• Ensemble ที่สอดคล้องทางฟิสิกส์ — สถาปัตยกรรม FGN หมายความว่าทุกสถานการณ์ในเอนเซมเบิลมีความสอดคล้องภายใน (สถานการณ์ที่ลมแรงก็มีความชันของความดันที่ตรงกันด้วย) นี่คือสิ่งที่ทำให้ความน่าจะเป็นใช้ได้สำหรับการกำหนดราคา

สำหรับช่วงระยะ 0-3 วันที่เป็นส่วนใหญ่ของตลาดสภาพอากาศ Polymarket การประเมินอิสระจัดให้โมเดล AI สมัยใหม่อยู่ในระดับเดียวกัน — และมักจะนำหน้า — IFS เรือธงของ ECMWF ซึ่งตัวเองก็นำ GFS อย่างมีนัยสำคัญ แปลแบบคร่าว ๆ: RMSE ของอุณหภูมิสูงสุดต่อวันที่ 48 ชั่วโมงดีขึ้นเป็นเศษสิบของหนึ่งองศา และการปรับเทียบเหตุการณ์หายากที่กระชับขึ้นอย่างเห็นได้ชัด

ทำไมสิ่งนี้ถึงเปลี่ยนผลของการเทรด

ความได้เปรียบทั้งหมดของ StormBot มาจากขั้นตอนเชิงกลไกเพียงขั้นเดียว: การประมาณความน่าจะเป็นที่แท้จริงของช่วงอุณหภูมิให้แม่นยำกว่าราคาที่ตลาด Polymarket กำหนดไว้ ทุกอย่างที่ตามมา — การตัดสิน YES/NO ของ Claude การกำหนดขนาดแบบเคลลี ตรรกะการออก สต็อปแบบไล่ตาม — ล้วนอาศัยการประมาณความน่าจะเป็นนั้น

วันนี้เราทำ ensemble ของ GFS, ECMWF, UKMO และ NWS ผสมแบบ Bayesian กับภูมิอากาศย้อนหลังของ NCEI และใช้ Normal CDF บนการกระจายข้อผิดพลาดของการพยากรณ์เพื่อให้ได้ความน่าจะเป็น มันได้ผล แต่ถูกจำกัดในระดับพื้นฐานโดยความแม่นยำของโมเดลที่อยู่เบื้องหลัง

การแทนที่การประมาณความน่าจะเป็นนั้นด้วย WeatherNext 2 เป็นสัญญาณหลักมีผลที่เป็นรูปธรรมมาก:

• การตรวจจับ edge ที่แม่นยำขึ้น การปรับปรุง RMSE ของพยากรณ์ครึ่งองศาแปลโดยตรงเป็น edge ที่ตรวจจับได้มากขึ้น 1-3% บนตลาดที่ borderline ซึ่งปัจจุบันถูกกรองออกโดยเกณฑ์ 2% ของเรา สัญญาณมากขึ้นจะถึง Claude
• การปรับเทียบที่ดีกว่า เมื่อเราบอกว่า "ความน่าจะเป็น YES 78%" มันต้องตัดสินที่ 78% จริง ๆ บนกลุ่มตัวอย่างขนาดใหญ่ เอาต์พุตเชิงความน่าจะเป็นแบบเนทีฟของ WeatherNext 2 ได้รับการปรับเทียบดีกว่าทุกอย่างที่เราสามารถสังเคราะห์จากโมเดลเชิงกำหนดได้อย่างมีนัยสำคัญ
• การเทรดที่หายนะในส่วนปลายลดลง ผลงานของโมเดลที่แข็งแกร่งกว่าในเหตุการณ์หายากหมายความว่าเราตั้งราคา fat tail ผิดน้อยลง — ในประวัติคือหมวดความสูญเสียที่ไม่คาดคิดที่ใหญ่ที่สุดของเรา
• การประมวลผลโมเดลเร็วขึ้น รอบการดึงพยากรณ์ปัจจุบันของเราถูกจำกัดความหน่วงโดย API สภาพอากาศฟรีที่จำกัดอัตรา การรัน WeatherNext 2 ผ่าน Vertex AI ของ Google Cloud หมายความว่าเราสามารถรีเฟรชพยากรณ์ตามตารางของเราเอง ไม่ใช่ของพวกเขา

ทำไมจึงเป็นปัญหาที่ยาก

เราอยากจะตรงไปตรงมา: นี่คืองานวิศวกรรมที่ยากที่สุดที่เรารับมาตั้งแต่การโยกย้ายโครงสร้างพื้นฐาน v2 "การเสียบโมเดลใหม่" ไม่เคยง่ายอย่างที่ฟัง และ WeatherNext 2 โดยเฉพาะมีหลายขอบที่คมชัด

การปรับปรุงความแม่นยำที่คาดหวัง

จากเกณฑ์มาตรฐานที่ DeepMind เผยแพร่และการสร้างแบบจำลองภายในของเราเองเกี่ยวกับวิธีที่ความคลาดเคลื่อนของพยากรณ์แพร่กระจายผ่านตัวคำนวณ edge ของเรา นี่คือจุดที่เราคาดว่าประสิทธิภาพของ StormBot จะเปลี่ยนไปเมื่อการผสานรวมเสร็จสมบูรณ์:

การเข้าถึง: เปิดสำหรับผู้ใช้ที่จงรักภักดีตามวอลุ่ม

เราต้องซื่อสัตย์เรื่องเศรษฐศาสตร์ตรงนี้ การประมวลผลอนุมาน WeatherNext 2 ผ่าน Vertex AI ไม่ฟรี และงานด้านโครงสร้างพื้นฐานคือการลงทุนทางวิศวกรรมที่สำคัญ เราไม่สามารถมอบให้ทุกคนตั้งแต่วันแรกได้ — และพูดตามตรง เราก็ไม่อยากทำ ผู้ใช้ที่สร้าง StormBot ขึ้นมาจนเป็นอย่างทุกวันนี้จริง ๆ ควรเป็นคนแรกที่ได้รับมัน

เมื่อ WeatherNext 2 เปิดตัว การเข้าถึงจะเป็น ถูกจำกัดโดยปริมาณการเทรดบนแพลตฟอร์ม ปริมาณการเทรดสะสมของคุณ — ทุกดอลลาร์ของ pUSD ที่คุณได้นำไปใช้ผ่าน StormBot เข้าสู่ตลาด Polymarket — กลายเป็นสกุลเงินที่ปลดล็อกเอนจินที่อัปเกรดแล้ว ยิ่งคุณเทรดมากเท่าไร การเข้าถึงของคุณก็ยิ่งเร็วและลึกขึ้นเท่านั้น

หมายเหตุสั้นๆ เรื่องความเป็นธรรม: ระดับปริมาณคำนวณจากกิจกรรมการเทรดบนแพลตฟอร์มของคุณ ไม่ใช่ขนาดวอลเล็ตของคุณ ผู้ใช้ที่มีเงินทุนน้อยกว่าแต่ปล่อยให้บอทเทรดอย่างสม่ำเสมอจะไต่ระดับเร็วกว่าคนที่ฝากยอดเงินก้อนใหญ่แล้วปล่อยทิ้งไว้เฉยๆ นี่เป็นความตั้งใจ — เราต้องการให้รางวัลแก่คนที่ใช้ StormBot จริงตามที่ออกแบบมาให้ใช้

ไทม์ไลน์

ไม่มีคำสัญญาเกี่ยวกับวันที่ที่แน่นอน — นี่คืองานวิศวกรรมที่จริงจัง และเราจะไม่รีบเร่งนำไปสู่การผลิต แต่นี่คือโรดแมปที่ซื่อสัตย์:

• ตอนนี้: บัญชี Google Cloud จัดเตรียมไว้แล้ว ร้องขอการเข้าถึงล่วงหน้าของ Vertex AI กำลังสร้างต้นแบบ shadow-mode เทียบกับข้อมูลในอดีต
• ไม่กี่สัปดาห์ข้างหน้า: ปรับโครงสร้างเอนจิน edge ใหม่เพื่อรองรับชุดความน่าจะเป็น บันทึก log แบบขนานควบคู่กับเอนจินปัจจุบัน
• สัปดาห์ถัดมา: Shadow run ในการผลิต — บันทึกการพยากรณ์ WeatherNext 2 สำหรับทุกตลาด เปรียบเทียบกับการชำระจริง พร้อมรายงานการสอบเทียบที่เผยแพร่ที่นี่
• เมื่อผ่านเกณฑ์การทดสอบแล้ว: อัลฟ่าแบบปิดสำหรับผู้ใช้ Tier 1 ลูปข้อเสนอแนะกับทีมวิศวกรรม การปรับแต่งครั้งสุดท้าย
• หลังอัลฟา: การเปิดตัวเป็นระยะผ่าน Tier 2 จากนั้น Tier 3