Искусственный интеллект (ИИ) может предсказывать погоду на 10 дней вперед точнее, чем современные симуляторы, утверждает компания Google DeepMind. Однако метеорологи предостерегают от отказа от моделей погоды, основанных на реальных физических принципах, и от того, чтобы полагаться только на закономерности в данных, указывая при этом на недостатки подхода ИИ.

Существующие прогнозы погоды основаны на математических моделях, которые используют физику и мощные суперкомпьютеры для детерминированного предсказания того, что произойдет в будущем. Эти модели постепенно становятся все более точными за счет добавления более детальных сведений, что, в свою очередь, требует большего объема вычислений, а значит, все более мощных компьютеров и более высоких потребностей в электроэнергии.

Реми Лам (Rémi Lam) из Google DeepMind и его коллеги применили другой подход. Их модель искусственного интеллекта GraphCast обучена на исторических данных о погоде за четыре десятилетия, полученных со спутников, радаров и наземных измерений, и выявляет закономерности, которые не понимает даже Google DeepMind. "Как и во многих других моделях ИИ с машинным обучением, интерпретировать принцип работы модели не очень просто", – говорит Лам.

Для составления прогноза он использует реальные метеорологические данные, полученные из более чем миллиона точек по всей планете в два заданных момента времени с разницей в шесть часов, и предсказывает погоду на шесть часов вперед. Затем эти прогнозы можно использовать в качестве исходных данных для другого этапа, прогнозируя погоду еще на шесть часов вперед.

Исследователи из DeepMind запустили этот процесс с данными Европейского центра прогнозов погоды средней дальности (European Centre for Medium-Range Weather Forecasts, ECMWF), чтобы создать прогноз на 10 дней. По их словам, он превзошел "золотой стандарт" ECMWF – прогноз высокого разрешения (high-resolution forecast, HRES) – дав более точные предсказания по более чем 90% проверенных точек данных. На некоторых высотах эта точность достигала 99,7%.

Мэтью Чантри (Matthew Chantry) из ECMWF, работавший с Google DeepMind, говорит, что раньше его организация рассматривала ИИ как инструмент для дополнения существующих математических моделей, но за последние 18 месяцев он стал рассматриваться как нечто, способное самостоятельно давать прогнозы.

"Мы в ECMWF считаем, что это очень интересная технология, позволяющая не только снизить энергозатраты на составление прогнозов, но и потенциально улучшить их. Вероятно, предстоит еще много работы по созданию надежных оперативных продуктов, но, скорее всего, это начало революции – такова наша оценка – в создании прогнозов погоды", – говорит он. Google DeepMind утверждает, что составление 10-дневных прогнозов с помощью GraphCast занимает менее минуты на высокопроизводительном ПК, в то время как HRES может потребовать несколько часов работы на суперкомпьютере.

Однако некоторые метеорологи с осторожностью относятся к передаче прогнозирования погоды в руки искусственного интеллекта. Ян Ренфрю (Ian Renfrew) из Университета Восточной Англии (Великобритания) говорит, что в настоящее время GraphCast не обладает способностью собирать данные для своего собственного начального состояния – процесс, известный как ассимиляция данных. В традиционных прогнозах эти данные тщательно помещаются в симуляцию после тщательной проверки расчетов по физике и химии для обеспечения точности и согласованности. В настоящее время GraphCast должен использовать стартовые состояния, подготовленные таким же образом собственными инструментами ECMWF.

"Google не собирается в ближайшее время заниматься прогнозированием погоды, потому что не может выполнять ассимиляцию данных", – говорит Ренфрю. – А ассимиляция данных обычно занимает от половины до двух третей вычислительного времени в этих системах прогнозирования".

По его словам, он также опасается полностью отказываться от детерминированных моделей, основанных на химии и физике, и полагаться только на результаты работы ИИ.

"У вас может быть самая лучшая в мире модель прогнозирования, но если население не доверяет вам и не предпринимает никаких действий, то какой в этом смысл? Если вы отдадите приказ об эвакуации 30 миль побережья во Флориде, а потом ничего не произойдет, то вы разрушите десятилетия доверия, которое было создано, – говорит он. – Преимущество детерминированной модели в том, что ее можно исследовать, и если вы получаете плохие прогнозы, вы можете выяснить, почему они плохие, и попытаться направить эти аспекты на улучшение".

Мэтью Спаркс