Остання ШІ-модель погоди від Google більше не залишає виправдань, щоб забути парасольку

Сьогодні науковці з Google DeepMind і Google Research представили нову модель штучного інтелекту для прогнозування погоди, яка чіткіше бачить зміни в атмосфері та частіше передбачає її поведінку.

WeatherNext 3 — це остання хвиля масштабних змін у метеорології, спричинених методами глибокого навчання, і Google заявляє, що модель почне використовуватися для формування метеорологічної інформації, яку користувачі бачать у пошуку, Google Maps і Gemini, а також буде доступна користувачам і дослідникам на хмарних платформах Google.

«Це буде перший випадок, коли деякі ключові змінні використовуватимуться для роботи багатьох продуктів Google», — розповів TechCrunch Семір Мерчант, старший штатний інженер Google.

Нова модель уже довела, що є найточнішою серед провідних конкурентів, протестованих у Operational WeatherBench — інструменті для порівняння прогнозів ШІ, створеному стартапом Brightband. Він оцінює такі показники, як температура, швидкість вітру та вологість.

Окрім того, що вона перевершує інші моделі глибокого навчання, створені Google, Microsoft, Nvidia та Європейським центром середньострокових прогнозів погоди, вона також перевершує традиційні прогнози Національної метеорологічної служби США та ECMWF.

Більшість прогнозів погоди надходить від суперкомп’ютерів, що належать державі й ретельно опрацьовують математичні рівняння, написані для опису фізики погоди; хоча ці системи стали надзвичайно точними, вони дорогі та порівняно повільні. Після того як ECMWF у 2018 році оприлюднив понад пів століття метеорологічних даних, створених цими системами, дослідники глибокого навчання почали тренувати моделі, здатні робити прогнози значно швидше й із точністю, порівнянною з державними інструментами.

«Погода хаотична, і тому невеликі відмінності справді починають масштабно змінювати ситуацію… Машинне навчання націлене на проблему, яку ми насправді розв’язуємо: наближення зашумленої фізики на основі неповної інформації та обмежених обчислювальних ресурсів, тож воно вивчає закономірності з великого обсягу даних», — сказав Ферран Алет, менеджер старших наукових дослідників у DeepMind.

Відтоді розробники моделей працювали над ключовими слабкими місцями моделей прогнозування на основі ШІ: вони зазвичай прогнозують для ширшої території — від 15 до 25 квадратних кілометрів, — ніж це справді корисно, не завжди добре працюють із дощем і досі залежать від структурованих наборів даних, підготовлених державними установами.

WeatherNext 3 розв’язує всі три проблеми. За словами дослідників, у розмові з TechCrunch модель може прогнозувати ключові змінні з роздільною здатністю до 5 км. Її результати щодо опадів на 60% кращі, ніж у WeatherNext 2, а тепер вона може створювати погодинні прогнози замість стандартного прогнозу раз на шість годин.

Ці покращення стали результатом конкретних рішень, ухвалених розробниками. WeatherNext 3 — більша модель, яка має у 2,4 раза більше параметрів, ніж її попередниця, а цільові показники для декодерних голів були налаштовані так, щоб надавати корисніші відповіді. Хоча більшість прогнозів погоди виводиться у вигляді показників, усереднених по тривимірній сітці, дослідники DeepMind уже здобули схвальні відгуки, налаштувавши свою модель також на візуалізацію траєкторій циклонів.

Цього разу розробники також навчили модель спрямовувати свої прогнози на конкретні метеостанції. Це важливо не лише для надання детальніших прогнозів, а й для можливості оцінювати її роботу за конкретними фактичними даними.

«Ідея багатьох застосувань ШІ полягає в тому, щоб виконувати завдання якомога більш наскрізно», — сказав Даніель Ротенберг, атмосферний науковець у Brightband. «Додавання можливості, завдяки якій ця модель тепер також прогнозує, наприклад, що виміряє метеостанція в аеропорту Денвера щогодини, наближає завдання прогнозування до його суті».

Модель здатна робити прогнози частіше, оскільки може щогодини отримувати метеорологічні супутникові дані, зібрані в реальному часі. Навчання моделей ШІ на необроблених емпіричних спостереженнях, а не на аналізі, підготовленому метеорологічними суперкомп’ютерами, обіцяє точніший прогноз, але технічно досі складно змусити моделі працювати з неструктурованими даними.

Google заявляє, що WeatherNext 3 є «першою» моделлю ШІ, яка безпосередньо використовує необроблені спостереження для глобального прогнозування з високою роздільною здатністю, але стартап у сфері метеорологічного ШІ WindBorne стверджує, що його модель WeatherMesh 6 використовує необроблені спостереження зі свого флоту метеорологічних аеростатів та інших джерел із кінця 2025 року. У відповідь на запитання про це Google зазначила, що її прогнози мають вищу роздільну здатність у всьому світі. У будь-якому разі обидві моделі досі покладаються на національні метеорологічні набори даних для створення прогнозів, тож для справжнього безпосереднього засвоєння даних знадобиться додаткова робота.

Хоча великі мовні моделі отримують найбільше уваги, революція трансформерів у метеорології була не менш важливою. Європейські та американські метеорологічні установи вже використовують моделі ШІ у своїх прогнозних продуктах, а їхня швидкість і низька вартість обіцяють сприятливий економічний вплив на бідніші регіони, де витрати на високоякісні сенсори та суперкомп’ютери зробили точні прогнози недоступними.

Нещодавно Білл Гейтс назвав прогнозування погоди за допомогою ШІ важливою перевагою цієї технології, зазначивши, що точніші прогнози підвищують урожайність у країнах, що розвиваються. Алет, дослідник DeepMind, сказав, що прогнози вітру, опадів і хмарності з вищою роздільною здатністю допоможуть зробити проєкти у сфері відновлюваної енергетики надійнішими.

«Зрештою, я думаю, що Google прагне надавати користувачеві корисну інформацію, а багато з того, що шукають користувачі, так чи інакше пов’язане з погодою», — сказав Алет.