От хаоса к алгоритмам: как ИИ учится управлять погодой

В социальных сетях сегодня даже погода оказалась под угрозой — её тоже «загрязняет» искусственный интеллект. Когда этим летом ураган «Мелисса» обрушился на Ямайку, интернет быстро заполнился фейковыми роликами, сгенерированными нейросетями. Некоторые пользователи всерьёз решили, что ситуация была ещё страшнее, чем в реальности. Например, что в бассейнах отелей плавали акулы. Спойлер: нет, не плавали.

Но за кулисами цифрового хаоса ИИ работал и во благо. Пока «Мелисса» набирала силу, специальная модель Google одной из первых дала точные прогнозы её маршрута и мощности. Это помогло людям заранее подготовиться к удару стихии. А другие алгоритмы уже сейчас пытаются ответить на извечный вопрос человечества: пойдёт ли дождь в следующий вторник или снова придётся нести зонт зря.

Крупнейшие технологические корпорации — Google, Huawei, Microsoft, Nvidia — вместе с десятками стартапов и университетских лабораторий вложили миллионы долларов в создание погодных прогнозов на базе искусственного интеллекта. Однако, в отличие от классических метеомоделей, их разработчики не всегда могут внятно объяснить, как именно эти системы приходят к своим выводам.

«Это своего рода чёрный ящик, который просто выдаёт прогноз», — признаётся Тодд Хатчинсон, директор по метеорологии стартапа Windborne Systems. — «Иногда мы сами не до конца понимаем, каким образом получили результат».

Технологические гиганты уже активно встраивают такие модели в свои облачные сервисы, рассчитывая, что со временем они станут такой же базовой инфраструктурой, как электричество или водопровод. Энергетические компании, транспортные операторы и трейдеры сырьевых рынков давно используют ИИ-прогнозы в работе. В ближайшем будущем даже родители, планирующие детский день рождения на свежем воздухе, будут ориентироваться на прогноз, созданный нейросетью. К слову, Google уже интегрирует такие данные в «Карты» и «Поиск».

И это происходит в тот момент, когда рынок искусственного интеллекта выглядит особенно нестабильным и противоречивым. На этом фоне прогнозирование погоды выглядит одним из самых практичных и полезных применений технологии. Именно эта сфера идеально подходит для машинного обучения: здесь есть огромные массивы данных, которые постоянно пополняются.

Европейский центр среднесрочных прогнозов погоды (ECMWF) уже использует глобальную ИИ-модель, которая по ряду показателей превосходит традиционные симуляторы. Синоптики активно применяют её в работе. Национальная метеорологическая служба США в декабре также представила собственные нейросетевые инструменты прогнозирования.

В основе этих систем лежат нейронные сети — та же архитектура, что используется в больших языковых моделях. Только вместо текстов их обучают на данных с датчиков температуры, влажности, давления и других атмосферных показателей. Разработчики публикуют свои программы в открытом доступе и предлагают прогнозы холодных фронтов и траекторий ураганов, которые часто оказываются точнее, чем расчёты государственных метеослужб.

И, пожалуй, самое важное: такие модели работают быстрее и обходятся значительно дешевле классических систем прогнозирования. В мире, где даже погоду пытаются превратить в цифровой продукт, это редкий случай, когда искусственный интеллект действительно оправдывает ожидания — и иногда даже спасает от промокших ботинок.

Однако то, что происходит внутри этих интеллектуальных систем «под капотом», до сих пор остаётся загадкой. Возникает вполне логичный вопрос: нейросети просто мастерски сопоставляют шаблоны в огромных массивах данных — или они действительно начинают понимать, как работает атмосфера на фундаментальном уровне?

На первый взгляд, разница может показаться несущественной. Если прогноз точный — какая разница, как он получен? Но всё меняется, если мы хотим использовать эти модели не только для предсказаний, но и для изучения самих атмосферных процессов. В этом случае «механика мышления» искусственного интеллекта становится принципиально важной.

Ещё недавно многие специалисты относились к таким системам с осторожным скепсисом. В том числе и Майк Притчард, директор по исследованиям климатического моделирования в Nvidia.

«Раньше я был почти уверен, что они не понимают физику, — признаётся он. — Но со временем моё мнение изменилось».

Переломным моментом для него стало исследование Грега Хакима — профессора атмосферных и климатических наук Вашингтонского университета и соавтора авторитетного учебника по динамике атмосферы.

Хаким давно занимается компьютерным моделированием погоды, поэтому, когда появились новые модели глубокого обучения, он решил проверить их на практике. В качестве «подопытного» он выбрал разработку Huawei — систему Pangu-Weather — и начал тестировать, насколько её поведение соответствует реальным процессам в атмосфере.

В одном из экспериментов исследователи «запустили» область пониженного давления в центральной части Атлантики. Вопрос был прост: перерастёт ли она во что-то похожее на ураган?

Результат оказался неожиданным.

«Модель реагировала на наши вмешательства удивительно реалистично, — вспоминает Хаким. — Это было настоящим шоком. Создавалось впечатление, что она действительно усвоила физические законы».

Эти выводы были опубликованы в 2024 году в журнале Artificial Intelligence for the Earth Systems — и сразу привлекли внимание научного сообщества. Конечно, не все учёные готовы заходить так далеко в своих выводах. Но интерес к новому подходу к прогнозированию погоды растёт с каждым годом.

Одним из его главных сторонников стал Мэтью Чантри — математик и руководитель направления искусственного интеллекта в Европейском центре среднесрочных прогнозов погоды (ECMWF). Особенно его впечатляет скорость работы нейросетей.Традиционные модели продвигаются вперёд буквально по минутам, шаг за шагом решая сложные физические уравнения. А ИИ способен сразу заглядывать на десятки часов вперёд.

«Когда мы решаем уравнения на суперкомпьютере, нам приходится двигаться во времени крошечными шагами, иначе система становится нестабильной», — объясняет Чантри.

Если шаг слишком большой, информация распространяется слишком быстро — и вся модель попросту «разваливается». Искусственный интеллект, похоже, сумел обойти эту проблему. Каким образом — пока до конца не ясно даже самим метеорологам.

В этом смысле нейросети словно совершили технологический скачок, механизм которого учёные ещё только пытаются понять.

Хаким вместе со своим соавтором, аспирантом Трентом Воничем, пошли ещё дальше. Они выдвинули смелую гипотезу: новые модели потенциально способны преодолеть фундаментальные ограничения в прогнозировании погоды.

Проще говоря, искусственный интеллект, возможно, уже научился справляться с так называемым эффектом бабочки.

Если освежить знания, эффект бабочки — это идея о том, что в сложных системах малейшие изменения могут привести к гигантским и совершенно непредсказуемым последствиям. Условный взмах крыльев бабочки в одном месте планеты теоретически способен запустить цепочку событий, которая закончится ураганом на другом конце света. В реальности этот эффект давно мешает метеорологам делать долгосрочные прогнозы. На практике он часто выражается просто: компьютеры выдают неожиданные результаты, а специалисты разводят руками.

История этой концепции уходит в 1960-е годы. Тогда исследователь Массачусетского технологического института Эдвард Лоренц работал с ранними цифровыми моделями погоды. Речь шла не о прогнозе «всей» погоды, а буквально об одной конкретной системе.

В те времена серьёзные учёные относились к компьютерному прогнозированию с большим недоверием. Но Лоренц обнаружил удивительную вещь: стоило ему изменить входные данные всего на несколько десятитысячных долей, как результат моделирования кардинально менялся.

Причём изменения выглядели почти случайными.

Этот эффект стал наглядным доказательством того, насколько хаотичной и чувствительной является атмосфера. И именно с этим хаосом десятилетиями боролись метеорологи. Сегодня же возникает ощущение, что искусственный интеллект, возможно, впервые приблизился к пониманию этой сложности — не через строгие формулы, а через обучение на миллионах примеров.

И если это действительно так, то речь идёт не просто о более точных прогнозах. Мы можем стоять на пороге принципиально нового понимания того, как работает погода на нашей планете.

Эти запутанные теоретические рассуждения о штормовых фронтах в своё время привели к рождению совершенно нового взгляда на мир сложных систем. Так появилась теория хаоса — направление науки, которое пытается найти скрытый порядок там, где на первый взгляд царит полный беспорядок. Она изучает «невидимую неопределённость» в жизни: от поведения животных популяций до скачков на финансовых рынках. Проще говоря, теория хаоса объясняет, почему иногда всё идёт не по плану — даже если план был очень хорошим.

Десятилетиями метеорологи опирались на идеи Эдварда Лоренца, чтобы шаг за шагом совершенствовать традиционные способы прогнозирования. Они снабжали компьютеры гигантскими объёмами реальных данных с метеостанций, спутников и датчиков по всему миру, а затем описывали поведение атмосферы с помощью сложнейших математических уравнений.

Все эти данные превращались в огромную трёхмерную сетку — своеобразную цифровую копию атмосферы. Именно на её основе строятся привычные нам десятидневные прогнозы погоды. Но у этой системы есть жёсткие ограничения. После семи дней точность заметно падает, а после двух недель прогноз превращается скорее в гадание на кофейной гуще, чем в науку.

Причина проста: атмосфера Земли — невероятно сложная система, а измерить её идеально невозможно. Всегда остаётся погрешность, шум, недостающие данные. Осознав эффект бабочки, сам Лоренц пришёл к выводу, что долгосрочные прогнозы — занятие почти бесполезное. Он считал, что хаос всё равно победит. И так продолжалось десятилетиями — пока в игру не вступил искусственный интеллект. Лишь в последние годы у исследователей появился повод пересмотреть прежний пессимизм.

В 2021 году природа предоставила учёным суровый, но наглядный «экзамен». Историческая волна жары накрыла Тихоокеанский Северо-Запад США. В Портленде температура три дня подряд держалась на уровне около 48°C. Погибли 72 человека. Эта трагедия стала возможностью проверить, на что способен ИИ в реальных условиях.

Вонич и Хаким использовали модель GraphCast, разработанную Google DeepMind, чтобы проанализировать эту экстремальную ситуацию. Они загрузили в систему реальные измерения тепловой волны — а затем попросили её «отмотать плёнку назад» и определить, какие исходные данные привели бы к максимально точному прогнозу. Для этого применялся метод обратного распространения ошибки — основа обучения нейросетей. Именно благодаря ему модели могут находить собственные промахи и корректировать свою работу. Проще говоря, ИИ учится на своих ошибках — почти как человек, только без экзистенциальных кризисов.

С традиционными симуляциями такой фокус провернуть сложно. Их запуск уже сам по себе требует огромных вычислительных ресурсов, времени и денег. А повторные расчёты с разными параметрами превращаются в настоящий технологический марафон.

«По сути, мы десятилетиями делали то же самое с физическими моделями, — говорит Хаким. — Просто теперь получаем результат практически бесплатно».

Нейросеть предложила исследователям набор начальных условий, которые, по её мнению, должны были дать идеальный прогноз. Когда учёные ввели их обратно в модель, результат превзошёл ожидания: точность прогноза тепловой волны выросла более чем на 90%. На первый взгляд может показаться, что прогнозировать событие задним числом — это просто научный трюк. Но эксперимент показал куда более важную вещь: потенциал для улучшения прогнозов оказался намного выше, чем считалось раньше.

Воодушевлённые успехом, Хаким и Вонич решили пойти дальше и повторили эксперимент с прогнозами на целый год вперёд. Они использовали модели глубокого обучения с оптимизированными начальными условиями — и получили впечатляющий результат. Оказалось, что такие системы способны выдавать полезные прогнозы почти на месяц вперёд. Для метеорологии, где раньше две недели считались пределом мечтаний, это выглядело почти как научная фантастика.

Так теория хаоса, идеи Лоренца и современные нейросети неожиданно сошлись в одной точке. То, что раньше казалось непреодолимым барьером, сегодня постепенно превращается в задачу, у которой, возможно, всё-таки есть решение. И, похоже, погода впервые за много лет начала проигрывать в этой игре человеку — пусть и с помощью машин.

В отличие от классических погодных симуляций, новые модели искусственного интеллекта ведут себя куда спокойнее. Они не «взрываются» хаосом, не рассыпаются из-за малейших ошибок и не превращают расчёты в цепочку непредсказуемых последствий. Но именно это и вызывает настороженность у части учёных. Критики утверждают: причина такой «устойчивости» проста — ИИ просто не настолько точен и детализирован, чтобы сталкиваться со всеми сложностями реальной атмосферы.

«По сути, это машины по распознаванию шаблонов», — говорит Тобиас Зельц, постдокторант по атмосферным наукам из Технологического института Карлсруэ. — «В такой модели может идти дождь, даже если в атмосфере формально нет влаги».

По его словам, это вовсе не означает, что нейросеть понимает физику процессов. Скорее она ловко обходит самые сложные участки, создавая правдоподобный результат без глубокого осмысления происходящего. Однако Грег Хаким смотрит на ситуацию иначе. Для него подобное поведение — не баг, а потенциальное преимущество.

«В физической модели гроза похожа на камень, брошенный в пруд, — объясняет он. — Волны расходятся, усиливаются, и ошибки начинают накапливаться. А модели машинного обучения вообще не работают на этих масштабах — у них просто нет такого эффекта».

Иными словами, ИИ не ввязывается в самые турбулентные зоны атмосферы — и поэтому не «разгоняет» хаос.

Следующий логичный шаг — научиться использовать это свойство для повышения точности прогнозов. Хаким и Вонич попробовали внедрить оптимальные начальные условия, полученные с помощью GraphCast, в модель Pangu. Улучшения действительно появились — но не настолько впечатляющие, как хотелось бы. Это указало на то, что сами модели тоже вносят собственную погрешность.

Похожий эксперимент провёл Джон Шрек из Национального центра атмосферных исследований. Он успешно повторил метод Хакима с другой ИИ-моделью, но попытка применить полученные данные для радикального улучшения прогнозов пока не дала ожидаемого эффекта. Проще говоря, волшебной кнопки «Сделать прогноз идеальным» всё ещё не существует.

Тем не менее Хаким и Вонич не собираются останавливаться. В ближайших планах — анализ других экстремальных погодных явлений прошлого и поиск так называемых «почти катастроф».

Речь идёт о ситуациях, когда погода была в шаге от разрушительного сценария — и лишь небольшое изменение условий могло превратить обычный шторм в бедствие. Тот самый взмах крыльев бабочки, только в метеоверсии. В этом им помогут новые модели, которые продолжают появляться в ведущих научных лабораториях, а также более детальные глобальные базы данных от ECMWF.

Технологический прогресс уже изменил саму инфраструктуру науки.

«Сегодня вы можете делать глобальные прогнозы на обычном компьютере с хорошей видеокартой, — говорит Вонич. — А раньше для этого требовался суперкомпьютер стоимостью в сотни миллионов долларов. Это настоящая демократизация науки».

Теперь доступ к серьёзным исследованиям получают не только крупнейшие центры, но и небольшие команды, университеты и независимые учёные.

Пока что ИИ-прогнозы в основном дополняют традиционные физические модели, а не заменяют их. Модели глубокого обучения всё ещё зависят от старых наборов данных и классических симуляций. Но сравнение двух подходов всё чаще заставляет метеорологов пересматривать прежние представления о том, «как правильно» предсказывать погоду.

Даже скептики вроде Зельца начинают видеть в этом направлении серьёзный потенциал — особенно когда речь идёт о работе с первичными, «сырыми» метеоданными.

Если удастся заметно улучшить качество исходных условий, считает он, прогнозы можно будет продлить ещё на несколько дней вперёд — без потери точности.

По оценкам экспертов, такое улучшение может приносить мировой экономике около 2,1 миллиарда долларов в год. Но дело не только в деньгах. Более точные прогнозы — это спасённые жизни, вовремя проведённые эвакуации и, в конце концов, просто меньше промокших людей под внезапным ливнем.