Модель WeatherNext от Google DeepMind удивила метеорологов и дала лишние сутки на предупреждение об урагане

Модель WeatherNext от Google DeepMind удивила метеорологов: открытый ИИ предсказывает ураганы на сутки раньше традиционных систем и справляется с точностью, ранее недостижимой для машинного обучения. Учёные признались, что даже сами не до конца понимают, как нейросети удаётся добиваться таких результатов.

В октябре 2025 года над Карибским морем зародился шторм. Метеорологические модели расходились в оценке его траектории. Останется ли он слабым и уйдёт к Гаити, или усилится и направится на Ямайку? Модель искусственного интеллекта WeatherNext, разработанная DeepMind и Google Research, выбрала второе. За пять дней до выхода шторма на сушу она с точностью 80 процентов предсказала, что стихия ударит по Ямайке в статусе урагана пятой категории.

Ураган Мелисса оказался катастрофическим: по Ямайке прокатились наводнения и оползни. Но благодаря предупреждению ИИ-модели синоптики смогли заранее оповестить жителей населённых пунктов на пути стихии и подготовиться к удару.

В статье, опубликованной в четверг в журнале Nature, исследователи показали, что модель WeatherNext прогнозирует циклоны с беспрецедентной точностью. В среднем она даёт синоптикам на сутки больше заблаговременности по сравнению с существующими моделями: её прогноз на три дня столь же точен, как прогноз прежней модели на два дня. На практике это означает, что федерали за этот лишний день успевают подготовиться.

Что значит лишний день для реальных людей

«Даже несколько часов могут иметь значение, — говорит Майк Бреннан, директор Национального центра ураганов США. — Организация эвакуации, размещение запасов и направление ресурсов на ликвидацию последствий урагана — все это операции, чувствительные к фактору времени. Принять неверное решение — и последствия будут огромными». По словам Бреннана, способность отодвинуть горизонт точного прогноза на сутки заставляет время в таких решениях буквально золотым.

Исторически улучшение точности прогноза на один день потребовало бы десятилетия работы, отмечают исследователи.

Моделирование экстремальных явлений — серьёзный вызов для ИИ. Машинное обучение требует большого объёма обучающих данных, но экстремальные события по своей природе происходят редко. «У нас не так много данных об циклонах, зато огромное количество метеоданных», — говорит Ферран Але, научный сотрудник Google DeepMind и один из ведущих авторов статьи. «Поэтому мы обучили модель, которая одинаково хорошо разбирается как в погоде вообще, так и в циклонах».

Многослойная проблема урагана

Прогнозирование ураганов затруднено тем, что шторм живёт сразу на многих пространственных масштабах, объясняет Кейт Масгрейв, возглавляющая группу по тропическим циклонам в Кооперативном институте исследований атмосферы и соавтор работы. Для прогноза пути требуется глобальная картина барических полей и фронтов: для прогноза интенсивности — локальные данные высокого разрешения об океане и атмосфере вокруг шторма. «Глобальные модели нам этих данных не дают, — сетует Масгрейв. — Более ранние версии ИИ хорошо справлялись с траекторией, но с интенсивностью не справлялись вообще».

Предсказывать интенсивность критично: не большой перепад может превратить слабый шторм в мощный ураган — иногда за одну ночь. Мелисса стала первым случаем, когда Национальный центр ураганов предсказал ураган пятой категории, когда шторм ещё только переходил порог первой.

До того как WeatherNext начали использовать в реальном времени, учёные обкатали модель на архивных данных. «Результаты были такими хорошими, что мы почти боялись, не увидим ли мы того же в по-настоящему живом демо-запуске», — вспоминает Масгрейв. Когда же синопрки подключители модель к своим процессам, точность подтвердилась: «Все были удивлены, насколько хорошо она себя показала», — добавляет она.

Загадка для самих разработчиков

Даже исследователи Deepmin не до конца понимают, почему модель так успешна в работе с данными атмосферы низкого разрешения. «Когда мы сообщили сообществу, что модель использует довольно грубое разрешение, специалисты были шокированы: это означало, что входные данные с низким разрешением несут больше сигнала, чем считалось ранее», — рассказывает Але.

Модель выдаёт не один прогноз, а целый диапазон возможных сценариев развития шторма, что позволяет охватить возможный «эффект бабочки»: небольшое отклонение от вектора развития может привести к гигантским изменениям в дальнейшем. В прошлом году нейросеть создавала 50 сценариев на каждый шторм, теперь — тысячу. «При традиционной вычислительной мощности характер статистические модели просто не могут дать нам такого», — подчёркивает Масгрейв.

Бреннан считает, что WeatherNext — прекрасный новый инструмент, но лишь один из многих: «Нет никакой гарантии, что одна модель, показавшая себя хорошо в прошлом сезоне, окажется наилучшей для следующего». Человеческий фактор по-прежнему важен: «Ураган — это не просто путь или прогноз интенсивности. Чтобы перевести все это в картинку последствий, нужны специалисты, а именно от последствия убивают людей».

Команда DeepMind открыла исходный код опубликованных за прошлый сезон моделей, чтобы исследователи могли проверять и улучшать их. «Я очень воодушевлён. Думаю, что ИИ даёт нам новые инструменты для исследований законов физической вселенной», — подытожил Ферран Але.

По материалам Ars Technica