Program umělé inteligence GenCast překonal systém ENS v přesnosti denních předpovědí počasí a při určování tras hurikánů a cyklónů.
Pro ty, kdo se zajímají o sledování přírodních živlů, přichází dobrá zpráva: vědci vyvinuli systém předpovědí počasí založený na umělé inteligenci, který je rychlejší a přesnější než současné špičkové metody.
Program GenCast od Google DeepMind překonal až o 20 % předpovědi ENS, které vytváří Evropské centrum pro střednědobé předpovědi počasí (ECMWF), považované za světového lídra v této oblasti.
Zatímco se očekává, že GenCast bude v blízké budoucnosti fungovat spíše jako doplněk k tradičním předpovědím než jako jejich náhrada, i tak může přinést cenné informace. Pomohl by například přesněji odhadnout budoucí chladné fronty, vlny horka nebo silné větry, a tím by mohl podpořit energetické společnosti při plánování výroby energie z větrných elektráren.
V přímém srovnání poskytoval GenCast přesnější předpovědi než ENS, a to jak pro každodenní počasí, tak pro extrémní jevy až 15 dní dopředu. Rovněž vynikal při predikci tras ničivých hurikánů a tropických cyklónů, včetně jejich dopadu na pevninu.
„Překonání ENS představuje zásadní milník v aplikaci umělé inteligence na předpovědi počasí,“ uvedl Ilan Price, vědec z Google DeepMind. „V dohledné době budou tyto modely fungovat jako doplněk k tradičním metodám, spíše než aby je nahradily.“
Klasické meteorologické modely založené na fyzice používají složité rovnice k simulaci počasí, zatímco GenCast se učí na základě historických dat. Model byl trénován na 40 letech záznamů (1979–2018), které zahrnovaly proměnné jako rychlost větru, teplotu, tlak a vlhkost na různých výškách.
GenCast využívá aktuální data k předpovědi vývoje počasí ve čtvercích o rozměrech 28 x 28 km až na 15 dní dopředu s kroky po 12 hodinách. Zatímco tradiční modely potřebují hodiny výpočtů na superpočítačích, GenCast zvládne předpověď za pouhých osm minut na jednom Google Cloud TPU, čipu specializovaném na strojové učení. Podrobnosti byly zveřejněny v časopise Nature.
V posledních letech Google uvedl několik projektů zaměřených na předpovědi počasí pomocí umělé inteligence. V červenci představil NeuralGCM, který kombinuje AI a fyzikální modely pro dlouhodobé předpovědi. GenCast staví na dřívějším modelu GraphCast, který tvořil jednu nejlepší předpověď, tím, že generuje až 50 scénářů s pravděpodobnostním vyhodnocením.
Meteorologové ocenili tento vývoj. Steven Ramsdale z Met Office označil výsledky za „vzrušující“ a mluvčí ECMWF hovořil o „významném pokroku“. Některé součásti GenCastu už ECMWF využívá ve svých AI modelech.
„Předpověď počasí zažívá zásadní změnu přístupu,“ řekla profesorka Sarah Danceová z University of Reading. Podle ní by tyto metody mohly národním meteorologickým službám umožnit vytvářet rozsáhlejší soubory předpovědí, což by zlepšilo spolehlivost zejména u extrémních jevů.
Otázky však zůstávají. „Není jasné, zda systém má dostatečný fyzikální základ pro zvládnutí jevů, jako je ‚motýlí efekt‘, který je klíčový pro dlouhodobé předpovědi,“ dodala Danceová. Také zdůraznila, že strojové učení má ještě daleko k tomu, aby zcela nahradilo tradiční fyzikální přístupy.
Data, na kterých GenCast trénoval, jsou kombinací historických pozorování a fyzikálních modelů (hindcastů), které zaplňují mezery v historických záznamech pomocí pokročilé matematiky. „Zbývá zjistit, zda generativní AI může tento krok obejít a přejít přímo z aktuálních dat k přesným dlouhodobým předpovědím,“ uvedla Danceová.
Price poznamenal, že AI předpovědi nejsou imunní vůči chybám. „Žádný model není dokonalý a GenCast není výjimkou,“ uzavřel.