ИИ-революция в климатологии: не всё так революционно
Искусственный интеллект сегодня повсюду. Он помогает писать тексты, искать информацию и даже выбирать холодильник. Неудивительно, что ИИ проник и в науку о погоде и климате. Однако реальность оказалась сложнее громких обещаний. Революция в прогнозировании погоды с помощью машинного обучения — это не замена физики, а её дополнение [1].
ИИ ищет закономерности
В мире погоды и климата ИИ — это машинное обучение. Компьютеры ищут закономерности в огромных массивах данных. Это похоже на то, как нейросети учится различать породы собак по тысячам фотографий. Только вместо собак — атмосферные процессы.
Машинное обучение выявляет сложные связи, которые человек не всегда может заметить. Алгоритм получает данные, часто с уже известными ответами, и подстраивает свои «ручки» так, чтобы максимально точно предсказывать результат [1].
ИИ в прогнозе погоды: быстрее, но не всегда точнее
В краткосрочных прогнозах машинное обучение показывает впечатляющие результаты. Модели обучаются на данных с интервалом в несколько часов и могут предсказывать погоду гораздо быстрее традиционных методов . Европейский центр среднесрочных прогнозов погоды (ECMWF) ввел свою ИИ-модель AIFS в эксплуатацию в феврале 2025 года [4].
Экономия ресурсов колоссальна: один прогноз на суперкомпьютере требует в 1000 раз больше энергии, чем на ИИ-модели. Традиционный прогноз занимает 30 минут, а машинное обучение — всего три [1]. Для ансамблей из 50 симуляций это особенно заметно.
Однако у машинного обучения есть серьёзный недостаток. Модель не понимает физику, она просто копирует прошлые паттерны [7]. ИИ не знает, что количество осадков не может быть отрицательным, или что движение воздуха должно подчиняться закону сохранения массы. Поэтому модели часто дают абсурдные результаты, например, отрицательные осадки. Учёные вынуждены искусственно ограничивать такие выходы [1].
Где ИИ пасует: экстремальная погода и климат
Главная слабость машинного обучения проявляется там, где нужна физика. Модель не может предсказать то, чего не было в обучающей выборке [7]. Экстремальные явления — ураганы, наводнения, аномальная жара — случаются редко. Их может не хватить в данных, чтобы ИИ научился их прогнозировать. Исследования показывают, что ИИ-модели систематически недооценивают частоту и силу таких событий [2][5].
Климатическое моделирование с ИИ сталкивается с ещё большими трудностями. Климатология задаёт вопросы «что, если»: что произойдёт, если мы удвоим концентрацию CO₂? Что бы было, если бы мы никогда не выбрасывали парниковые газы? Ответить на них, опираясь только на исторические данные, невозможно [1].
Гибридный путь: физика плюс ИИ
Вместо замены физических моделей учёные создают гибриды. Физические «ограничители» остаются основой, а ИИ берёт на себя отдельные задачи [1].
Проект Climate Modeling Alliance (CliMA) под руководством Калифорнийского технологического института строит новую модель с нуля. Её основа — физика, но для расчёта некоторых процессов используют машинное обучение [3]. Замена модуля снежного покрова на ИИ работает хорошо. Для облаков этот подход не работает. По мере потепления они будут подниматься выше, чем когда-либо в истории, а значит, у ИИ просто нет примеров таких облаков для обучения. [1].
Другой подход — использовать ИИ для калибровки моделей. Учёные NASA варьировали 450 параметров, связанных с облаками, а нейросеть находила оптимальную комбинацию [6]. Также создаются «эмуляторы» — лёгкие ИИ-модели, которые имитируют работу сложных физических моделей. Они могут быстро давать ответы, не требуя недель работы суперкомпьютера.
Проблема «чёрного ящика» остаётся ключевой. Мы не всегда понимаем, почему нейросеть приняла то или иное решение. Это критично для науки, где важно не просто предсказать, но и объяснить. Учёные ищут способы «заглянуть» внутрь ИИ, но пока это сложная задача [1].
Таким образом, в краткосрочных прогнозах погоды машинное обучение уже приносит реальную пользу. Однако в климатологии ИИ — лишь один из инструментов, который эффективен в сочетании с физикой и математикой [8].
Читайте также:
ИИ ускорил гонку за сверхпроводниками при комнатной температуре
ИИ в науке. Новая эра научных открытий
Список источников
- The weather and climate science AI revolution isn’t revolutionary – Ars Technica, 2026
- Evaluating Machine Learning Weather Models for Data Assimilation – AGU Publications, 2026
- PseudospectralNet: Toward Hybrid Atmospheric Models for Climate Simulations – AGU Publications, 2025
- Implementation of AIFS v2 – ECMWF, 2026
- Successes and Failures of Current AI Climate Models – AGU Publications, 2026
- AI cannot yet replace traditional climate models – Vietnam.vn, 2026
- AI is good at weather forecasting. Can it predict freak weather events? – University of California, 2025
- AI powers collaboration in climate predictions – National University of Singapore, 2026
