Открытая модель WeatherNext от DeepMind расширила точные прогнозы траекторий ураганов примерно на целый день по сравнению с традиционными системами численного прогнозирования погоды — результат, который действительно удивил профессиональных метеорологов.
Ключевые выводы
- WeatherNext от DeepMind — это открытая ИИ-модель погоды, которая создаёт прогнозы траекторий ураганов примерно на 24 часа раньше, чем обычные системы.
- WeatherNext достигает такой точности, используя атмосферные входные данные более низкого разрешения, чем требуют стандартные операционные модели прогнозирования.
- Разрыв в производительности был описан как удивительный учёными-метеорологами, а не только исследователями ИИ.
- WeatherNext имеет открытый исходный код, что означает, что исследовательские институты и метеорологические агентства могут запускать и изучать модель независимо.
- Дополнительное время упреждения напрямую переводится в более ранние решения об эвакуации и размещении аварийных ресурсов для прибрежных сообществ.
Что WeatherNext делает по-другому
Обычное численное прогнозирование погоды работает путём решения физических уравнений по плотной сетке атмосферных точек данных. Это вычислительно затратно и требует входных данных высокого разрешения для поддержания точности на расширенных диапазонах прогнозов. WeatherNext, напротив, является моделью машинного обучения, обученной на исторических записях погоды. Согласно Ars Technica, модель может создавать конкурентоспособные прогнозы траекторий ураганов из более грубых входных данных — значимое практическое преимущество, когда данные наблюдений высокого разрешения недоступны в реальном времени над открытым океаном.
Выигрыш в один день — это не погрешность округления. В прогнозировании ураганов 24 часа дополнительного надёжного времени упреждения — это разница между организованной прибрежной эвакуацией и хаотичной. Менеджеры по чрезвычайным ситуациям обычно нуждаются в 72 часах предупреждения для перемещения уязвимых групп населения; расширение окна надёжного прогноза с, скажем, пяти дней до шести дней существенно меняет то, что операционно возможно.
Почему метеорологи удивлены
Сообщество учёных-метеорологов наблюдало, как ИИ-модели прогнозирования неуклонно улучшались в течение последних нескольких лет — GraphCast от Google, Pangu-Weather от Huawei и FourCastNet от NVIDIA продемонстрировали, что машинное обучение может соответствовать или приближаться к операционным моделям по стандартным метрикам. Но соответствие отличается от превосходства, а превосходство по высокорисковой метрике, такой как траектория урагана на расширенном диапазоне, — это другая категория результата. Удивление профессиональных синоптиков, а не только ИИ-лабораторий, сигнализирует о том, что WeatherNext пересекла порог, которого многие в этой области не ожидали так скоро.
Открытый исходный код усиливает воздействие. Национальные метеорологические агентства, университетские исследовательские группы и независимые синоптики могут загружать, проверять и развивать модель — что невозможно с проприетарными коммерческими ИИ-системами погоды. Эта открытость также означает, что научное сообщество может провести стресс-тестирование результатов, а не принимать на веру эталонные числа DeepMind.
Преимущество низкого разрешения на практике
Тот факт, что WeatherNext хорошо работает на данных низкого разрешения, имеет конкретное операционное значение: она может создавать полезные прогнозы в средах с разреженными данными, включая раннюю стадию жизни шторма, когда спутниковое покрытие и покрытие дропзондами ограничено. Традиционные модели деградируют более резко, когда их входные сетки огрубляются. Модель, которая остаётся точной на более шумных входных данных, более устойчива именно в тех условиях, где навык прогнозирования имеет наибольшее значение.
Это также история о вычислениях. Входные данные низкого разрешения означают более быстрый вывод и более дешёвые запуски, что важно для агентств, которым нужно запускать ансамблевые прогнозы — десятки или сотни запусков модели с немного изменёнными начальными условиями — для оценки неопределённости прогноза. Более дешёвые затраты на запуск делают возможными более крупные ансамбли, что улучшает вероятностное руководство.
Более широкий толчок DeepMind в науке ИИ
WeatherNext соответствует паттерну DeepMind применения крупномасштабного машинного обучения к сложным научным задачам прогнозирования — AlphaFold для структуры белков, AlphaTensor для умножения матриц, а теперь погода в операционном масштабе. Продвижение Демиса Хассабиса на должность главного учёного Alphabet, о котором сообщалось ранее в этом году, сигнализирует о том, что такая работа в области прикладной науки является центральной для долгосрочной ИИ-стратегии Google, а не побочным проектом.
Пока что результат WeatherNext по ураганам является наиболее конкретной демонстрацией того, что ИИ-модели погоды не просто догоняют системы, основанные на физике — они начинают опережать по метрикам, которые несут реальные человеческие последствия. Следующий тест — интегрируют ли операционные агентства модель в свои официальные конвейеры прогнозирования, или она останется исследовательским эталоном. Это решение, вероятно, придёт быстрее, чем ожидало большинство метеорологов.
