GraphCast от DeepMind: как новая ИИ-модель меняет точность прогнозов погоды

Команда Google DeepMind разработала модель GraphCast, которая обходит по точности не только классические инструменты метеорологов, но и другие ИИ-решения. Самое удивительное: для работы ей не нужен суперкомпьютер — достаточно мощной рабочей станции. Там, где традиционные модели тратят часы, GraphCast справляется за минуты.

Почему предсказывать погоду так сложно?

Десятилетиями метеорологи использовали численное прогнозирование (NWP). Эти модели, основанные на строгих физических законах, рассчитывают движение воздушных масс, тепла и влаги. Они обрабатывают гигантские массивы данных с тысяч станций, буев и спутников. Точность? Да, высокая. Но цена — колоссальные вычислительные ресурсы и время. Каждый прогноз — это часы работы суперкомпьютера. И есть фундаментальный предел: такие модели не могут заглянуть дальше 10–15 дней.

Новые игроки на поле: ИИ против физики

Чтобы снизить затраты, несколько компаний бросились создавать модели машинного обучения, которые предсказывают погоду, анализируя прошлые данные. В этой гонке участвуют Nvidia, китайская Huawei, стартапы вроде Atmo. До недавнего времени лидером считалась модель Pangu-weather от Huawei, которая конкурировала по точности с флагманской системой Европейского центра среднесрочных прогнозов (ECMWF).

Но теперь, кажется, появился новый чемпион. GraphCast от DeepMind превзошёл и традиционные подходы, и другие ИИ-модели по большинству метрик. Как им это удалось? Модель обучили на исторических данных глобальной погоды с 1979 по 2017 годы, позволив ей самостоятельно выучить сложные связи между давлением, ветром, температурой и влажностью. Работает она по принципу итерации: берёт текущее состояние атмосферы и прогноз шестичасовой давности, чтобы предсказать погоду на следующие 6 часов. Потом использует свой же прогноз, чтобы заглянуть ещё дальше — вплоть до 10 дней.

Результаты ошеломляют: GraphCast делает 10-дневный прогноз менее чем за минуту, и он точнее, чем прогнозы высокого разрешения от ECMWF, на которые уходят часы. Модель предсказывает как приземные параметры (например, температуру в двух метрах от земли), так и атмосферные переменные вроде скорости ветра на высоте. Впечатляет, не правда ли?

Чёрный ящик: самая большая загадка ИИ-метеорологии

Однако, как отмечает метеоролог Мэтью Чантри из ECMWF, ИИ-модели пока не заменяют классические, а дополняют их. Они блестяще справляются с задачами, где физические модели традиционно слабы — например, с краткосрочным прогнозом осадков. Но есть нюанс: классические модели всё ещё нужны для создания тех самых исходных данных, на которых обучается ИИ.

Но главный вопрос — доверие. Как говорит Адитья Гровер из UCLA, процессы внутри моделей вроде GraphCast происходят в «чёрном ящике». Мы видим результат, но не понимаем, как именно модель к нему пришла. Это ставит под вопрос её надёжность в критических ситуациях. Когда речь идёт о предупреждении о шторме или наводнении, можно ли полагаться на систему, логику которой не может объяснить даже её создатель?

Чантри считает, что пройдёт ещё от двух до пяти лет, прежде чем прогнозы на базе машинного обучения начнут использоваться для принятия реальных решений. Сроки прогнозов могут увеличиться, а затраты — резко упасть. Но прежде чем доверить ИИ наши зонтики и планы на выходные, предстоит решить главную задачу: заглянуть внутрь этого метеорологического оракула и понять, как он думает.