AI przegrywa z tradycją tam, gdzie stawką jest życie
- Nowe badanie wykazało, że modele AI do prognozowania pogody przegrywają z tradycyjnymi metodami przy ekstremalnych zjawiskach atmosferycznych.
- W typowych warunkach AI radzi sobie lepiej niż klasyczne systemy numeryczne, jednak przy burzach, powodziach czy falach upałów różnica odwraca się na niekorzyść algorytmów.
- Fundamentalna wada obecnych modeli AI polega na tym, że są trenowane głównie na danych z typowych warunków, a zdarzenia ekstremalne są z definicji rzadkie i niedoreprezentowane.
Modele AI biją tradycyjne systemy prognozowania pogody w większości przypadków — ale przy ekstremalnych zjawiskach to klasyczne metody numeryczne wygrywają, pokazuje nowe badanie opublikowane przez naukowców i opisane przez Fast Company.
AI nie widzi tego, czego jeszcze nie było
Problem jest strukturalny. Modele AI uczą się na danych historycznych, a huragany kategorii 5, tysiącletnie powodzie czy rekordowe fale upałów pojawiają się w tych zbiorach sporadycznie. Algorytm, który poprawnie prognozuje pogodę przez 364 dni w roku, może kompletnie oblać ten jeden dzień, kiedy prognozy ratują życie.
Tradycyjne systemy oparte na równaniach fizycznych — numeryczne modele pogody jak ECMWF czy GFS — nie mają tego problemu w takim samym stopniu. One modelują atmosferę od podstaw, korzystając ze znanych praw termodynamiki i dynamiki płynów. Ekstremum to dla nich po prostu duże liczby w równaniach, nie rzadki przypadek w danych treningowych.
Czym AI bije tradycję na co dzień?
To nie znaczy, że AI jest bezużyteczne w meteorologii. Google DeepMind odpalił GraphCast w 2023 roku i model wykręcał prognozy 10-dniowe dokładniej niż ECMWF w ponad 90% mierzonych parametrów. Huawei z Pangu-Weather i firma Nvidia z FourCastNet osiągały podobne wyniki.
Prędkość to osobna sprawa. GraphCast generuje globalną prognozę w minuty, podczas gdy tradycyjne systemy potrzebują superkomputerów przez wiele godzin. Dla codziennych zastosowań — planowania lotów, logistyki, rolnictwa — ta przewaga jest realna i mierzalna.
Koszt też gra rolę. Odpalenie modelu AI na GPU kosztuje ułamek mocy obliczeniowej potrzebnej do pełnej symulacji numerycznej. Dlatego mniejsze kraje i komercyjne firmy chętnie sięgają po modele AI jako alternatywę dla drogiej infrastruktury.
Czy da się naprawić AI tam, gdzie to naprawdę ważne?
Kilka grup badawczych próbuje rozwiązać ten problem różnymi metodami. Jedna droga to augmentacja danych — sztuczne generowanie scenariuszy ekstremalnych, żeby model miał na czym się uczyć. Druga to architektury hybrydowe, gdzie AI wchodzi w symbiozę z tradycyjnymi równaniami fizycznymi, a nie je zastępuje.
ECMWF pracuje nad AIFS — modelem AI, który ma łączyć szybkość algorytmów z fizykalną spójnością klasycznych systemów. Wczesne wersje są już dostępne operacyjnie, ale oficjalne wyniki na zdarzeniach ekstremalnych są na razie skromne.
Jest jeszcze trzecia droga: zamiast poprawiać same prognozy, używać AI do lepszej interpretacji wyników tradycyjnych modeli. Tu wyniki są bardziej obiecujące — algorytmy sprawdzają się w identyfikowaniu, kiedy klasyczny model może się mylić.
Branża ubezpieczeniowa patrzy uważnie
Stawki są wysokie dosłownie. Rynek ubezpieczeń katastroficznych wyceniany jest na ponad 300 miliardów dolarów rocznie, a dokładność prognoz ekstremalnych zjawisk bezpośrednio przekłada się na modele ryzyka. Munich Re i Swiss Re od lat inwestują w meteorologię — i to właśnie oni mają najbardziej bolesne doświadczenia z modelami, które nie przewidziały rekordowych strat.
Służby meteorologiczne też mają własny problem reputacyjny. Fałszywy alarm kosztuje miliony w ewakuacjach i zakłóceniach. Niedoszacowanie zjawiska kosztuje ludzkie życia. AI, które sprawdza się w 95% przypadków, ale zawodzi przy tym jednym, jest dla meteorologa bardziej problematyczne niż system o niższej średniej dokładności, ale lepszym zachowaniu w ogonie rozkładu.
Czy modele AI do prognozowania pogody staną się niezawodne przy ekstremalnych zjawiskach zanim kolejna katastrofa klimatyczna przetestuje je w warunkach rzeczywistych?
