Когда сегодня говорят об искусственном интеллекте, большинство представляет себе чат-ботов, нейросети, которые рисуют картины, или голосовых ассистентов вроде Алисы, Siri или Alexa. Но для нас, работающих на передовой климатической науки, ИИ — это не про разговоры с компьютером. Это про то, как лучше понять поведение нашей планеты.
Я руковожу лабораторией машинного обучения в науках о Земле в Московском физико-техническом институте (МФТИ). Наша задача формулируется довольно просто, но она амбициозна: использовать алгоритмы, чтобы разобраться в том, как работает климат, атмосфера, океаны. И — научиться прогнозировать их поведение.
Климатическое моделирование — одна из самых сложных задач современной науки. Традиционные модели климата, атмосферы и океана уже 75 лет строятся на уравнениях физики — это численные симуляции, которые рассчитывают состояние атмосферы и океана по большому множеству параметров. Это важная работа, но невероятно ресурсоемкая. Чтобы спрогнозировать погоду или изменение климата, нужны суперкомпьютеры, работающие неделями.
Но что, если можно делать это быстрее? И, возможно, точнее?
Вот тут и приходит на помощь ИИ. Не в виде «сильного» искусственного интеллекта из фантастики, а как статистический инструмент. Мы пока еще не закладываем в него физику напрямую — мы даем ему данные: спутниковые снимки, архивы измерений, результаты симуляций. А он учится сам распознавать закономерности, исправлять ошибки, строить прогнозы.
В нашей лаборатории, например, нейросети помогают находить метеоявления, выявление которых раньше требовало длительного ручного анализа. Мы научили модель распознавать мезомасштабные конвективные системы — те самые, что могут за считанные часы изменить погоду. Мы также работаем с вихрями в океане — например, с так называемыми кольцами Ирмингера — и автоматизируем их поиск в симуляциях. То, что раньше занимало у эксперта дни, теперь делается за минуты.
Но самое интересное начинается там, где мы не просто применяем ИИ к задачам, а создаем основополагающие — или базисные — климатические модели. Это большие универсальные архитектуры, обученные на гигантских массивах данных: спутниковых наблюдениях, результатах численных моделей, архивах измерений. Их цель — не просто прогнозировать развитие погодных параметров, а научиться воспроизводить законы, по которым работает атмосфера и океан, и которые фактически заложены в данных. Такие модели становятся климатическим аналогом GPT — но не «ботом», а платформой, на которой можно строить решение самых разных задач: от краткосрочного или долгосрочного прогноза до анализа чувствительности климата к выбросам CO₂.
На сегодняшний день в мире существует лишь несколько таких моделей. Наиболее известные модели для атмосферы — это GraphCast от Google DeepMind, ClimaX от Microsoft, Pangu-Weather от Huawei, AIFS в Европейском центре среднесрочных прогнозов и несколько других. Все они обучались на колоссальных объемах климатических и погодных данных и требуют серьезных вычислительных ресурсов. У каждой модели — своя специализация, но цель у всех одна: создать «универсальный симулятор атмосферы», который бы работал быстрее и дешевле классических численных моделей, не теряя при этом точности.
А как обстоят дела в России?
На сегодняшний день у нас нет полноценной базисной модели атмосферы или океана. Однако дискуссия о ее необходимости уже идет. В научном сообществе становится понятно: если мы не начнем развивать свою архитектуру, мы будем зависеть от чужих — как в вопросах прогноза, так и в понимании процессов. Наша лаборатория в МФТИ, а также коллеги в МГУ, Сколтехе, AIRI, Институте вычислительной математики РАН обсуждают возможность объединения усилий. Чтобы создать такую модель, нужно не только вычислительное оборудование и данные, но и согласованное движение: кода, экспериментов, проверок, публикаций. Это не гонка — это совместная инженерия знаний.
ИИ в климатологии — не замена ученому или гидродинамическим моделям. Это еще один инструмент в ряду уже существующих. Он помогает быстрее тестировать гипотезы, строить сложные симуляции и делать прогнозы, которые особенно важны в мире, где леса горят, моря поднимаются, а штормы и смерчи становятся чаще и сильнее.
В XX веке мы научились моделировать Землю. В XXI — с помощью ИИ — мы, возможно, приблизимся на пару шагов к ее пониманию.
Ранее редакции Науки Mail геоморфолог рассказал о возможных последствиях землетрясения на Камчатке.
