Искусственный интеллект все чаще используется для прогнозирования погоды и моделирования климата, однако ученые считают, что он все еще не является революционным решением, которое могло бы полностью заменить традиционные подходы.
В этой сфере ИИ тяготеет к пониманию как машинного обучения — технологии, позволяющей компьютерам выявлять закономерности в данных. Машинное обучение отличается от манипуляций с большими объемами данных, использующихся в чат-ботах. Алгоритмы машинного обучения способны обрабатывать массивные объемы данных, выявлять сложные взаимосвязи и предсказывать с гораздо большей скоростью по сравнению с традиционными моделями.
В области прогнозирования погоды машинное обучение показывает отличные результаты. Европейский центр среднесрочных прогнозов погоды (ECMWF) запустил первую модель на основе машинного обучения с февраля 2025 года, она работает параллельно с существующей системой прогнозирования. По информации ECMWF, один запуск традиционной модели потребляет примерно в 1000 раз больше энергии, чем модель машинного обучения, и занимает около 30 минут, в то время как модель на основе ИИ — всего около 3 минут.
Вам также может понравиться
(Фото: Aurich Lawson/Getty Images)
Тем не менее, значительным недостатком машинного обучения является его зависимость от обучающих данных. Если экстремальные погодные явления слишком редко встречаются в исторических данных, модель может недооценивать их частоту или силу. Это критически важно, так как точные прогнозы экстремальных ситуаций непосредственно влияют на безопасность людей.
В климатическом моделировании ученые проявляют большую осторожность. Климатология — это не просто краткосрочное прогнозирование, а исследование долгосрочных вопросов, таких как влияние изменений уровня CO2 на климатическую систему. Нельзя полагаться только на исторические данные для ответов на эти вопросы, поэтому законы физики остаются основополагающими.
Некоторые исследовательские группы работают над гибридными климатическими моделями, которые сочетают физические расчеты с элементами машинного обучения. Такой подход улучшает вычислительную эффективность в определенных областях, таких как моделирование снега, облаков, морского льда или океанических циклов, при этом сохраняя физические ограничения для предотвращения нелогичных результатов.
Вам также может понравиться
Ученые отмечают также «черный ящик» машинного обучения, поскольку не всегда понятно, почему модель выдает те или иные результаты. Поэтому ИИ следует воспринимать как важный вспомогательный инструмент, а не как полное покрытие традиционной климатологии.
Источник: vtv.vn