Η DeepMind ανέπτυξε ένα μοντέλο τεχνητής νοημοσύνης που μπορεί να προβλέπει φονικούς κυκλώνες μία ημέρα πιο μπροστά σε σχέση με τις υπάρχουσες μεθόδους, με πιθανό όφελος για την προστασία ανθρώπινων ζωών, καθώς επιτρέπει πιο ακριβείς και έγκαιρες αποφάσεις για εκκενώσεις.
Οι περισσότερες σημερινές μετεωρολογικές προβλέψεις βασίζονται σε φυσικά μοντέλα και προσομοιώσεις που «τρέχουν» σε ισχυρούς υπερυπολογιστές, ώστε να αποτυπώνουν και να προεκτείνουν όσο γίνεται πιο αξιόπιστα τα καιρικά μοτίβα. Τα μοντέλα τεχνητής νοημοσύνης, όμως, μπορεί να προσφέρουν ταχύτερη και λιγότερο δαπανηρή λύση.
Το WeatherNext μπορεί να παράγει πρόγνωση 15 ημερών σε λιγότερο από ένα λεπτό σε ένα από τα ειδικά chips Tensor Processing Unit της Google. Αντίθετα, τα μοντέλα που βασίζονται στη φυσική μπορεί να καταναλώνουν ημέρες υπολογιστικού χρόνου σε συστήματα υψηλών επιδόσεων.
Το νέο μοντέλο λειτουργεί πάνω σε προσομοίωση της ατμόσφαιρας, όπου το μικρότερο κελί αντιστοιχεί σε 28 τετραγωνικά χιλιόμετρα, κάτι που το κάνει περίπου 100 φορές λιγότερο λεπτομερές από τα παραδοσιακά μοντέλα. Εκπαιδεύτηκε σε σχεδόν 20 terabytes παγκόσμιων ατμοσφαιρικών δεδομένων, αλλά και σε δεδομένα από 5.000 ιστορικές καταιγίδες, κάτι που, σύμφωνα με τον Ferran Alet της DeepMind, ήταν καθοριστικό για τη βελτίωση της ακρίβειας του WeatherNext στην πρόβλεψη της συμπεριφοράς νέων κυκλώνων.
Η ομάδα της DeepMind συνέκρινε το WeatherNext με το μοντέλο GenCast της Google, το ENS του Ευρωπαϊκού Κέντρου Μεσοπρόθεσμων Μετεωρολογικών Προγνώσεων και το Hurricane Analysis and Forecast System της Εθνικής Υπηρεσίας Ωκεανών και Ατμόσφαιρας των ΗΠΑ. Διαπίστωσε ότι το WeatherNext μπορούσε να δώσει ακριβείς προβλέψεις τρεις ημέρες μπροστά, οι οποίες από τα σημερινά μοντέλα επιτυγχάνονται μόνο δύο ημέρες μπροστά, ως προς τη μέγιστη ταχύτητα ανέμου και το σφάλμα απόστασης ανάμεσα στην προβλεπόμενη θέση ενός κυκλώνα και την τελική πραγματική του θέση.
«Όσο περνά ο χρόνος, τόσο χειρότερα τα πηγαίνεις, γιατί ο καιρός είναι χαοτικός. Άρα το ερώτημα είναι: πόσο μπορούμε να πιέσουμε αυτό το όριο του χάους; Πόσο μακριά μπορούμε να δούμε στο μέλλον;» λέει ο Alet. Εξηγεί επίσης ότι, λόγω του χρόνου που χρειάστηκε για τη δημοσίευση της εργασίας σε επιστημονικό περιοδικό, τα δεδομένα έχουν ήδη προχωρήσει και ότι η DeepMind εργάζεται ενεργά πάνω σε ακόμη ταχύτερα και ακριβέστερα μοντέλα.
Η εταιρεία έχει μακρά πορεία στην προσπάθεια βελτίωσης της πρόβλεψης καιρού. Το 2021 ανέπτυξε ένα εξαιρετικά βραχυπρόθεσμο και τοπικό μοντέλο που μπορούσε να προβλέπει πιο σωστά από τα υπάρχοντα αν θα βρέξει μέσα στα επόμενα 90 λεπτά. Το 2023 παρουσίασε μοντέλο που παρείχε ακριβείς 10ήμερες προγνώσεις, ενώ το 2024 λάνσαρε εργαλείο που μείωσε θεαματικά τον χρόνο και την ενέργεια που απαιτούνται για την παραγωγή προβλέψεων.
Η Hannah Cloke από το University of Reading, στη Βρετανία, που δεν συμμετείχε στην έρευνα, λέει ότι δεν έχει ζήσει ταχύτερη και πιο θεαματική ανατροπή στη μετεωρολογία από αυτή που έφερε η τεχνητή νοημοσύνη τα τελευταία δύο χρόνια.
«Αυτή είναι μία από τις πιο συναρπαστικές περιοχές για να δουλεύει κανείς αυτή τη στιγμή, και ένας από τους λόγους είναι η άνοδος των προβλέψεων με μηχανική μάθηση και η απόλυτη ταχύτητα και ισχύς με την οποία προχωράμε σε αυτόν τον τομέα», λέει. «Πας διακοπές για μια εβδομάδα… και γυρίζεις και μαθαίνεις ότι έχει συμβεί κάτι άλλο».
Η Cloke σημειώνει ότι οι εξελίξεις ξεπερνούν πολύ γρήγορα τον ρυθμό των επιστημονικών περιοδικών, με αποτέλεσμα η αιχμή της έρευνας να βρίσκεται στην πράξη 18 μήνες μπροστά από όσα διαβάζουμε σε τέτοιες δημοσιεύσεις.
Οι παγκόσμιοι οργανισμοί πρόγνωσης έχουν δοκιμάσει τα τελευταία χρόνια μοντέλα τεχνητής νοημοσύνης παράλληλα με τα παραδοσιακά φυσικά μοντέλα, όμως, όπως λέει, υπάρχει ολοένα και μεγαλύτερη συναίνεση ότι τα μοντέλα AI είναι ταχύτερα, φθηνότερα και σε πολλές περιπτώσεις πιο αποτελεσματικά από τις μεθόδους που βασίζονται στη φυσική. Παράλληλα, υπογραμμίζει ότι παραμένει απαραίτητη η μετεωρολογική τεχνογνωσία.
«Πολλοί από τους νέους ανθρώπους που συναντώ σε αυτόν τον χώρο προέρχονται από τη data science και δεν έχουν απαραίτητα το μετεωρολογικό υπόβαθρο που χρειάζεται για να καταλαβαίνουν αν τα μοντέλα παράγουν κάτι λογικό ή όχι», λέει η Cloke. «Υπάρχει λοιπόν μια πραγματική ένταση ανάμεσα στις νέες, πολύ συναρπαστικές τεχνικές και στην ανάγκη να είμαστε βέβαιοι ότι μπορούμε να παίρνουμε τις σωστές αποφάσεις για την αξιοποίησή τους».
Παρά τη γρήγορη επιτυχία τους στη μετεωρολογία, όμως, δεν έχουν πειστεί όλοι ότι τα μοντέλα AI είναι το μέλλον της πρόγνωσης ή, τουλάχιστον, ότι θα πρέπει να δοκιμαστούν πολύ πιο αυστηρά πριν εγκαταλειφθούν τα παραδοσιακά μοντέλα.
Ο Tim Palmer από το University of Oxford ανησυχεί ότι τα μοντέλα θα δυσκολευτούν να προβλέψουν πραγματικά ασυνήθιστα, μεμονωμένα γεγονότα, επειδή από τη φύση τους δεν θα έχουν ανάλογο στα δεδομένα εκπαίδευσης. Για τον λόγο αυτό έχει προτείνει ένα νέο είδος τεστ, στο οποίο αφαιρούνται από τα δεδομένα εκπαίδευσης τέτοια προηγούμενα συμβάντα και στη συνέχεια αξιολογείται αν τα μοντέλα AI μπορούν να τα προβλέψουν επιτυχώς. Πιστεύει ότι αυτή η δυνατότητα θα γίνει κρίσιμη καθώς η κλιματική αλλαγή κάνει τα καιρικά μοτίβα ολοένα πιο χαοτικά.
«Δεν το δοκιμάζουμε αυτό», λέει. «Το να βασιστούμε σε μια AI που έχει εκπαιδευτεί σε 40 ή 50 χρόνια παλιών δεδομένων θα μπορούσε να μας οδηγήσει σε λάθος δρόμο».
Μια ακόμη ανησυχία του Palmer είναι ότι τα μοντέλα καιρού και τα μοντέλα κλιματικής αλλαγής μοιράζονται έως και το 90% του κώδικά τους. Η εγκατάλειψη των αριθμητικών, φυσικών μοντέλων στην πρόγνωση καιρού θα ήταν επιζήμια για τους μελετητές του κλίματος, αναγκάζοντάς τους είτε να δουλεύουν χωρίς τη γνώση και τα δεδομένα που προκύπτουν από την πρόγνωση καιρού είτε να αναπαράγουν όλη τη δουλειά που γινόταν μέχρι σήμερα σε αυτόν τον τομέα, ώστε να συνεχίσουν απρόσκοπτα το έργο τους.
«Ο κώδικας είναι σχεδόν ταυτόσημος», λέει ο Palmer. «Αν αρχίσουμε να χάνουμε τη δυνατότητά μας να κάνουμε πρόγνωση καιρού με μοντέλα που βασίζονται στη φυσική, οι κλιματικές προβλέψεις θα υποφέρουν».
Nature DOI: 10.1038/s41586-026-10953-2
Το παρόν κείμενο δημιουργήθηκε με τη χρήση τεχνητής νοημοσύνης.
