Ευγενική προσφορά της AI: Προγνώσεις καιρού για την ώρα, την εβδομάδα και τον αιώνα

Τα μοντέλα μηχανικής μάθησης αναλαμβάνουν τη θέση τους στον τομέα της πρόγνωσης καιρού, από ένα γρήγορο «πόσο θα διαρκέσει αυτή η βροχή» έως μια προοπτική 10 ημερών, μέχρι τις προβλέψεις σε επίπεδο αιώνα. Η τεχνολογία είναι ολοένα και πιο σημαντική για τους επιστήμονες του κλίματος καθώς και για τις εφαρμογές και τους τοπικούς σταθμούς ειδήσεων — και ωστόσο δεν «καταλαβαίνει» τον καιρό περισσότερο από εσάς ή εγώ.

Για δεκαετίες η μετεωρολογία και η πρόγνωση του καιρού καθορίζονται σε μεγάλο βαθμό με την προσαρμογή των παρατηρήσεων σε προσεκτικά συντονισμένα μοντέλα και εξισώσεις που βασίζονται στη φυσική. Αυτό εξακολουθεί να ισχύει – δεν υπάρχει

επιστήμη

χωρίς παρατήρηση – αλλά τα τεράστια αρχεία δεδομένων έχουν επιτρέψει ισχυρά μοντέλα τεχνητής νοημοσύνης που καλύπτουν σχεδόν οποιαδήποτε χρονική κλίμακα θα μπορούσατε να σας ενδιαφέρει. Και η Google ψάχνει να κυριαρχήσει στον τομέα από τώρα έως την αιωνιότητα.

Στο σύντομο άκρο του φάσματος έχουμε την άμεση πρόβλεψη, η οποία γενικά συμβουλεύεται την ερώτηση “χρειάζομαι ομπρέλα;” Αυτό εξυπηρετείται από

Τα μοντέλα «nowcasting» της DeepMind

τα οποία βασικά κοιτάζουν τους χάρτες βροχοπτώσεων σαν μια ακολουθία εικόνων — που είναι — και προσπαθούν να προβλέψουν πώς θα εξελιχθούν και θα μετατοπιστούν τα σχήματα σε αυτές τις εικόνες.

Με αμέτρητες ώρες ραντάρ doppler για μελέτη, το μοντέλο μπορεί να έχει μια αρκετά σταθερή ιδέα για το τι θα συμβεί στη συνέχεια, ακόμη και σε αρκετά περίπλοκες καταστάσεις όπως ένα κρύο μέτωπο που φέρνει χιόνι ή παγωμένη βροχή (όπως δείχνουν Κινέζοι ερευνητές

βασισμένο στο έργο της Google

).

Αυτό το μοντέλο είναι ένα παράδειγμα του πόσο ακριβείς μπορούν να είναι οι προβλέψεις καιρού όταν γίνονται από ένα σύστημα που δεν έχει πραγματική γνώση για το πώς συμβαίνει αυτός ο καιρός. Οι μετεωρολόγοι μπορούν να σας πουν ότι όταν αυτό το κλιματικό φαινόμενο έρχεται σε αντίθεση με αυτό το άλλο, έχετε ομίχλη, ή χαλάζι ή υγρή ζέστη, γιατί αυτό τους λέει η φυσική. Το μοντέλο τεχνητής νοημοσύνης δεν γνωρίζει τίποτα για τη φυσική – όντας καθαρά βασισμένο σε δεδομένα, κάνει απλώς μια στατιστική εικασία για το τι θα ακολουθήσει. Ακριβώς όπως το ChatGPT δεν «ξέρει» για τι πράγμα μιλάει, έτσι και τα μοντέλα καιρού δεν «ξέρουν» τι προβλέπουν.

Μπορεί να προκαλεί έκπληξη σε όσους πιστεύουν ότι ένα ισχυρό θεωρητικό πλαίσιο είναι απαραίτητο για την παραγωγή ακριβών προβλέψεων, και πράγματι οι επιστήμονες εξακολουθούν να είναι επιφυλακτικοί για την τυφλή υιοθέτηση ενός συστήματος που δεν γνωρίζει μια σταγόνα βροχής από μια ακτίνα ηλιοφάνειας. Ωστόσο, τα αποτελέσματα είναι εντυπωσιακά και σε θέματα χαμηλού πονταρίσματος όπως «θα βρέξει όσο περπατάω στο κατάστημα» είναι κάτι παραπάνω από αρκετά καλό.

Οι ερευνητές της Google παρουσίασαν επίσης πρόσφατα ένα νέο, ελαφρώς πιο μακροπρόθεσμο μοντέλο

ονομάζεται MetNet-3

, το οποίο προβλέπει έως και 24 ώρες στο

μέλλον

. Όπως μπορείτε να μαντέψετε, αυτό φέρνει δεδομένα από μια μεγαλύτερη περιοχή, όπως μετεωρολογικούς σταθμούς σε όλη την κομητεία ή την πολιτεία, και οι προβλέψεις του πραγματοποιούνται σε μεγαλύτερη κλίμακα. Αυτό ισχύει για πράγματα όπως “είναι αυτή η καταιγίδα θα περάσει πάνω από τα βουνά ή θα διαλυθεί” και παρόμοια. Το να γνωρίζετε εάν οι ταχύτητες του ανέμου ή η ζέστη είναι πιθανό να εισέλθουν σε επικίνδυνη περιοχή αύριο το πρωί είναι απαραίτητο για τον σχεδιασμό των υπηρεσιών έκτακτης ανάγκης και την ανάπτυξη άλλων πόρων.

Η σημερινή ημέρα φέρνει μια νέα

εξέλιξη

σε κλίμακα «μεσαίου εύρους», η οποία είναι 7-10 ημέρες στο μέλλον. Ερευνητές του Google DeepMind

δημοσίευσε ένα άρθρο στο περιοδικό Science που περιγράφει το GraphCast

το οποίο «προβλέπει καιρικές συνθήκες έως και 10 ημέρες νωρίτερα με μεγαλύτερη ακρίβεια και πολύ πιο γρήγορα από το βιομηχανικό σύστημα προσομοίωσης καιρού χρυσού προτύπου».

Συντελεστές εικόνας:

Google DeepMind

Το GraphCast σμικρύνει όχι μόνο χρονικά αλλά και σε μέγεθος, καλύπτοντας ολόκληρο τον πλανήτη σε ανάλυση 0,25 μοιρών γεωγραφικό μήκος/γεωγραφικό πλάτος ή περίπου 28×28 χιλιόμετρα στον ισημερινό. Αυτό σημαίνει να προβλέψουμε πώς θα είναι σε περισσότερα από ένα εκατομμύριο σημεία γύρω από τη Γη, και ενώ φυσικά ορισμένα από αυτά τα σημεία έχουν πιο προφανές ενδιαφέρον από άλλα, το θέμα είναι να δημιουργηθεί ένα παγκόσμιο σύστημα που να προβλέπει με ακρίβεια τα κύρια καιρικά μοτίβα για την επόμενη εβδομάδα περίπου.

«Η προσέγγισή μας δεν πρέπει να θεωρείται ως αντικατάσταση των παραδοσιακών μεθόδων πρόγνωσης καιρού», γράφουν οι συγγραφείς, αλλά μάλλον «απόδειξη ότι το MLWP είναι σε θέση να ανταποκριθεί στις προκλήσεις των πραγματικών προβλημάτων πρόβλεψης και έχει τη δυνατότητα να συμπληρώσει και να βελτιώσει τις τρέχουσες καλύτερες μεθόδους .»

Δεν θα σας πει αν θα βρέξει στη γειτονιά σας ή μόνο στην πόλη, αλλά είναι πολύ χρήσιμο για καιρικά φαινόμενα μεγαλύτερης κλίμακας όπως μεγάλες καταιγίδες και άλλες επικίνδυνες ανωμαλίες. Αυτά συμβαίνουν σε συστήματα πλάτους χιλιάδων χιλιομέτρων, πράγμα που σημαίνει ότι το GraphCast τα προσομοιώνει με αρκετά μεγάλη λεπτομέρεια και μπορεί να προβλέψει τις κινήσεις και τις ποιότητές τους τις ημέρες που βγαίνουν έξω — και όλα χρησιμοποιώντας μια ενιαία υπολογιστική μονάδα Google για λιγότερο από ένα λεπτό.

Συντελεστές εικόνας:

Google DeepMind

Αυτή είναι μια σημαντική πτυχή: αποτελεσματικότητα. Η «αριθμητική πρόβλεψη καιρού», τα παραδοσιακά μοντέλα που βασίζονται στη φυσική, είναι υπολογιστικά ακριβά. Φυσικά μπορούν να προβλέψουν γρηγορότερα από ό, τι συμβαίνει ο καιρός, διαφορετικά θα ήταν άχρηστα — αλλά πρέπει να βάλεις έναν υπερυπολογιστή στη δουλειά και ακόμη και τότε μπορεί να χρειαστεί λίγος χρόνος για να κάνεις προβλέψεις με μικρές παραλλαγές.

Ας πούμε, για παράδειγμα, ότι δεν είστε σίγουροι εάν

ένας

ατμοσφαιρικός ποταμός πρόκειται να αυξηθεί ή να μειωθεί σε ένταση προτού ένας εισερχόμενος κυκλώνας διασχίσει την πορεία του. Μπορεί να θέλετε να κάνετε μερικές προβλέψεις με διαφορετικά επίπεδα αύξησης και μερικές με διαφορετικές μειώσεις, και μία εάν παραμείνει η ίδια, έτσι ώστε όταν συμβεί ένα από αυτά τα ενδεχόμενα, να έχετε έτοιμη την πρόβλεψη. Και πάλι, αυτό μπορεί να έχει τεράστια σημασία όταν πρόκειται για πράγματα όπως καταιγίδες, πλημμύρες και πυρκαγιές. Γνωρίζοντας μια μέρα νωρίτερα ότι θα πρέπει να εκκενώσετε μια περιοχή μπορεί να σώσει ζωές.

Αυτές οι εργασίες μπορούν να γίνουν πραγματικά πολύπλοκες πολύ γρήγορα όταν υπολογίζετε πολλές διαφορετικές μεταβλητές και μερικές φορές θα πρέπει να εκτελέσετε το μοντέλο δεκάδες φορές, ή εκατοντάδες, για να έχετε μια πραγματική αίσθηση του πώς θα εξελιχθούν τα πράγματα. Εάν αυτές οι προβλέψεις χρειάζονται μία ώρα η καθεμία σε ένα σύμπλεγμα υπερυπολογιστών, αυτό είναι πρόβλημα. αν είναι ένα λεπτό το καθένα σε έναν υπολογιστή μεγέθους επιτραπέζιου υπολογιστή που έχετε χιλιάδες, δεν είναι καθόλου πρόβλημα — στην πραγματικότητα, ίσως αρχίσετε να σκέφτεστε να προβλέψετε περισσότερες και πιο λεπτές παραλλαγές!

Και αυτή είναι η ιδέα πίσω

το έργο ClimSim στο AI2

, το Ινστιτούτο Άλεν για την Τεχνητή Νοημοσύνη. Τι θα γινόταν αν θέλατε να προβλέψετε όχι μόνο 10 διαφορετικές επιλογές για το πώς θα είναι η επόμενη εβδομάδα, αλλά χίλιες επιλογές για το πώς θα εξελιχθεί ο επόμενος αιώνας;

Αυτό το είδος της κλιματικής επιστήμης είναι σημαντικό για όλα τα είδη μακροπρόθεσμου σχεδιασμού, αλλά με έναν τεράστιο αριθμό μεταβλητών προς χειραγώγηση και προβλέψεις που ισχύουν για δεκαετίες, μπορείτε να στοιχηματίσετε ότι η υπολογιστική ισχύς που απαιτείται είναι εξίσου τεράστια. Έτσι, η ομάδα του AI2 συνεργάζεται με επιστήμονες σε όλο τον κόσμο για να επιταχύνει και να βελτιώσει αυτές τις προβλέψεις χρησιμοποιώντας μηχανική μάθηση, βελτιώνοντας τις «προβλέψεις» στην κλίμακα του αιώνα.

Συντελεστές εικόνας:

AI2

Τα μοντέλα ClimSim λειτουργούν παρόμοια με αυτά που συζητήθηκαν παραπάνω: αντί να συνδέουν αριθμούς σε ένα μοντέλο που βασίζεται στη φυσική, ρυθμισμένο με το χέρι, εξετάζουν όλα τα δεδομένα ως ένα διασυνδεδεμένο διανυσματικό πεδίο. Όταν ένας αριθμός αυξάνεται και με αξιοπιστία υποδηλώνει ότι ένας άλλος αυξάνεται κατά το ήμισυ, αλλά το ένα τρίτο μειώνεται κατά ένα τέταρτο, αυτές οι σχέσεις ενσωματώνονται στη μνήμη του μοντέλου μηχανικής μάθησης, ακόμα κι αν δεν γνωρίζει ότι αφορούν (ας πούμε) ατμοσφαιρικό CO2, θερμοκρασία επιφάνειας και

βιομάζα

των ωκεανών.

Ο επικεφαλής του έργου με τον οποίο μίλησα είπε ότι τα μοντέλα που έχουν κατασκευάσει είναι εντυπωσιακά ακριβή ενώ είναι τάξεις μεγέθους φθηνότερα για υπολογιστική απόδοση. Όμως παραδέχτηκε ότι οι επιστήμονες, ενώ έχουν ανοιχτό μυαλό, λειτουργούν (όπως είναι φυσικό) από σκεπτικισμό.

Ο κωδικός είναι όλος εδώ

αν θέλετε να ρίξετε μια ματιά μόνοι σας.

Με τόσο μεγάλα χρονοδιαγράμματα και με το κλίμα να αλλάζει τόσο γρήγορα, είναι δύσκολο να βρεθεί η κατάλληλη βασική αλήθεια για μακροπρόθεσμες προβλέψεις, ωστόσο αυτές οι προβλέψεις γίνονται όλο και πιο πολύτιμες. Και όπως τόνισαν οι ερευνητές του GraphCast, αυτό δεν αντικαθιστά άλλες μεθόδους αλλά συμπληρωματική. Χωρίς αμφιβολία, οι επιστήμονες του κλίματος θα θέλουν κάθε εργαλείο που μπορούν να αποκτήσουν.