Современные нейросети уже сегодня демонстрируют впечатляющую точность в краткосрочном прогнозировании погоды. Однако новое исследование, проведенное учеными из Чикагского университета при участии специалистов из университета Нью-Йорка и Калифорнийского университета в Санта-Крус, показало, что ИИ не способен предсказывать экстремальные погодные явления, выходящие за рамки исторически известных данных. К таким «серым лебедям» относятся 200-летние наводнения, рекордные волны тепла и ураганы максимальной мощности. Хотя они и не столь редки, как «черные лебеди» (например, астероид, убивший динозавров), их последствия могут быть весьма разрушительными для отдельных регионов.

Большинство современных моделей прогнозирования погоды на основе ИИ работают по принципу нейросетей: они обучаются на огромных массивах исторических данных и выявляют повторяющиеся закономерности. Затем, получая данные о текущих условиях, модель делает вывод о том, как будет развиваться ситуация в ближайшие дни. Такие модели уже сейчас конкурируют с традиционными расчетными моделями, использующими сложные физические уравнения и требующими мощных суперкомпьютеров. При этом ИИ-модели тратят на решение соответствующих задач в десятки и сотни тысяч раз меньше времени и энергии.

Для проверки возможностей нейросети ученые обучили ее данными о погоде, исключив все ураганы выше второй категории. После этого ей были переданы атмосферные условия, которые через несколько дней привели к урагану 5-й категории. Может ли модель экстраполировать данные, чтобы предсказать силу урагана? Ответ оказался отрицательным. Модель всякий раз недооценивала силу урагана, относя его максимум ко второй категории. Такие ложноотрицательные ошибки особенно опасны в реальных условиях. Если система предупредит об урагане второй категории вместо пятой, население не будет эвакуировано и может серьезно пострадать.

В отличие от нейросетей, традиционные модели прогнозирования погоды основаны на физических законах. Они решают уравнения атмосферной динамики, учитывают влияние ветров, давления, температуры и других факторов. Это позволяет им анализировать происходящее, а не просто подбирать шаблоны. Нейросети же знают только то, с чем сталкивались раньше. ИИ не обладает магическими способностями. Если событие никогда не встречалось в истории наблюдений, модель не сможет его спрогнозировать.

Решение, предложенное исследователями, состоит в том, чтобы внедрять в модели, основанные на ИИ, математические инструменты и учитывать физические принципы. Один из перспективных методов – активное обучение – заключается в том, чтобы нейросети помогали физическим моделям генерировать дополнительные сценарии экстремальных событий, увеличивая объем данных для обучения.

Хотя ИИ-модели уже стали одним из самых ярких достижений в прогнозировании погоды, они всё ещё далеки от идеала. Особенно важно учитывать их ограничения при использовании в системах раннего предупреждения и при долгосрочных оценках климатических рисков.