Фантастика или реальность: сможет ли ИИ предсказать изменения климата?

Прежде чем начать разговор об использовании ИИ в науках о климате, определимся с терминами. Искусственный интеллект — это общее название для большой совокупности методов и технологий обработки данных. В это понятие входят и машинное обучение, и классические методы, и даже стандартная математическая статистика. По сути, под ИИ понимают любую технологию, которая может воспроизвести какую-то часть человеческих способностей. Машинное обучение — более узкая область ИИ, куда входят и нейросети. Далее по тексту именно машинное обучение мы будем понимать под ИИ.

Константин Гнидко Фото: © из личного архива

«Искусственный интеллект переживает очередную волну подъема. Важнейший ресурс для его развития наряду с вычислительными мощностями — данные. Большие массивы, или Big Data, — это поистине „кровь“ ИИ. Неудивительно, что в области климатологии, где накоплен огромный объем систематизированных наблюдений за природой и погодой, применение методов ИИ оказалось не только крайне востребованным, но и очень эффективным», — говорит доктор технических наук и доцент Константин Гнидко — заместитель руководителя научной группы Научного центра информационных технологий и искусственного интеллекта Научно-технологического Университета «Сириус».

Когда появились климатические прогнозы?

Первые модели долгосрочного анализа на основе обработки данных наблюдений за климатом известны еще с конца XIX века. Конечно, они не отличались высокой точностью. В распоряжении ученых тогда были математический анализ, теория вероятностей и математическая статистика.  

Михаил Криницкий Фото: © Российское общество «Знание»

«Машинное обучение для климатических исследований в части мониторинга, измерений, отслеживания характеристик атмосферы, океана и других факторов начали применять в конце XX века. То есть буквально сразу с появлением соответствующих технологий. Если говорить об аналогах ChatGPT, но для климатических данных — так называемых базовых моделях, то они стали появляться в середине 2023 года. В прошлом октябре Европейский центр среднесрочных прогнозов погоды начал публиковать не классические гидродинамические прогнозы погоды, а нейросетевые. Подчеркиваю, прогнозы погоды — не климата», — рассказывает заведующий лабораторией машинного обучения в науках о Земле МФТИ Михаил Криницкий. 

ИИ на защите климата 

Применяемый в науках о климате ИИ помогает предприятиям и компаниям снижать углеродный след. С его помощью можно гораздо эффективнее управлять энергопотреблением, что приводит к снижению выбросов парниковых газов. Сюда же следует отнести оптимизацию работы отопительных систем, кондиционирования, освещения и транспорта. 

«ИИ помогает оптимизировать и искать наиболее эффективные маршруты как для логистики товаров, так и для городского транспорта, что благодаря снижению потребления топлива позволяет сократить углеродный след. Искусственный интеллект также может анализировать данные и выявлять тенденции в движении автотранспорта на перекрестках и давать городским службам рекомендации по оптимизации времени смены светофора, чтобы сократить количество пробок и снизить углеродный след», — объясняет руководитель направления Дирекции по ESG Сбера Илья Егоров. 

#экология #климат #парниковые газы

Что такое углеродный след и кто его оставляет?

Читать

Нейросети и прогноз погоды

Сегодня существует девять нейросетевых моделей для прогноза погоды, включая широко известную Google GraphCast и недавнюю совместную разработку IBM и NASA — Prithvi WxC, которую можно запустить на домашнем ПК. Но драматическим образом точность предсказаний они не повысили, сходятся во мнении Константин Гнидко и Михаил Криницкий. Сделать это невозможно по той простой причине, что высокое качество прогноза достигается за счет насыщения моделей данными наблюдений. Но на нынешнем этапе развития технологий здесь уже практически достигнут потолок. 

«Современные гидродинамические модели очень точные, и в этом плане нейросети лучше них не справляются. Но они повысили скорость вычислений. Нейросетевой прогноз считается на один-два порядка быстрее классического. Для обработки данных по атмосферным наблюдениям, например, требуется несколько десятков минут вместо нескольких часов», — поясняет Михаил Криницкий.   

Точно предсказать осадки заметно сложнее, чем температуру воздуха Фото: © Freepik

Современный прогноз погоды возможен не более чем на 14 дней — далее система атмосферы Земли «забывает» начальные условия и начинается так называемая серая временная зона, в которой, как считается, бесполезно применять прогнозирование на основе современных технологий моделирования атмосферы. Причем точность выше 90 % ограничена горизонтом в трое-четверо суток, и чем дальше, тем качество прогноза хуже.

ИИ в климатическом прогнозировании

Схожая ситуация и с климатическими исследованиями. Их качество сильно зависит от масштаба. К примеру, краткосрочные статистические прогнозы с применением ИИ обычно охватывают период до года, и для них точность прогностических моделей ИИ может достигать 80–90 %, особенно в условиях хорошо изученных климатических шаблонов.

Среднесрочные прогнозы ориентированы на период от одного года до 10 лет. Их точность обычно не превышает 80 %, что связано с увеличением неопределенности и количества воздействующих на климат факторов. Долгосрочные прогнозы делаются на период от 10 до 100 лет и более. Они часто основаны на сценариях изменения климата МГЭИК и им подобным и учитывают долгосрочные тенденции.

Назар Сотириади Фото: из личного архива

«ИИ может закрыть серую зону прогноза между месячным прогнозом и десятилетним. Физические модели такой сложности строить очень дорого, они требуют чрезвычайно много наблюдений и данных и огромного количества вычислительных ресурсов. Модели на данных гораздо проще позволяют проверять гипотезы и искать новое знание. Но на больших горизонтах, свыше 10 лет, ничего лучше классических дифференциальных уравнений пока не придумали», — отмечает управляющий директор Департамента интегрированного риск-менеджмента Сбера Назар Сотириади.

Для долгосрочных прогнозов обычно применяют комплексные подходы, комбинирующие ИИ, классические климатические модели и данные по социально-экономическим показателям, добавляет ученый. Достоверность таких прогнозов обычно варьируется в пределах от 50 до 70 % в зависимости от сценария и используемых моделей.

Долгосрочные прогнозы относятся к наиболее проблемным дисциплинам наук о климате Изображение: © Art Genie / Shutterstock / FOTODOM

«Когда кто-то говорит про климатический прогноз нейросетями, надо очень осторожно к этому относиться. У нейросетей пока нет понимания физики процессов — это статистические модели, которые не умеют экстраполировать. Происходящие изменения климата заключаются в том числе в появлении новых механизмов функционирования климатической системы нашей планеты. В обучающей выборке нейросетей их попросту нет. А вот гидродинамические климатические модели могут их воспроизвести», — добавляет Михаил Криницкий. 

При этом недостающие параметры, такие как объем парниковых газов в атмосфере в тот или иной промежуток времени, ученые часто вводят в модели вручную. Никто не знает, какими темпами будет развиваться «зеленый переход». Невозможно предсказать поведение многих вулканов, а ведь они тоже могут серьезно повлиять на климат. К примеру, извержение Пинатубо на Филиппинах в 1991 году на 15 месяцев остудило глобальный климат на 0,6 °C. 

Так появляются различные климатические сценарии: от благоприятного до экстремального. При этом и те и другие далеки от реальности — правда где-то посередине. Мы уже прошли точку невозврата, чтобы обнадеживать себя. Однако и нажечь такое количество углеводородов, чтобы оказалось «все очень плохо», человечество не в состоянии, говорят специалисты. Климатологи пытаются понять, какой из промежуточных сценариев окажется верным, чтобы соответствующим образом адаптироваться к изменениям.   

Глобальное потепление все быстрее нагревает нашу планету Фото: © Freepik

«Искусственные нейронные сети и тем более простые методы машинного обучения — это уже рабочий инструмент в очень большом количестве внутренних промежуточных задач в науках о климате. Нейросети дают нам новые возможности по измерению характеристик поверхности океана, атмосферы, высоты нижней границы облачности. В некоторых случаях такие измерения они проводят с более высокой точностью, чем классические модели. Но повысить качество прогнозов климатических изменений они не способны», — подчеркивает Михаил Криницкий. 

Сезоны ИИ 

Концепция искусственных нейросетей появилась в 1960-х. Тогда в науке царили оптимистичные настроения — казалось, ученые смогут решить с помощью ИИ множество сложнейших задач. Пришло серьезное финансирование. Этот период можно назвать «летом» искусственного интеллекта.

Вскоре, однако, выяснилось, что результаты работы нейросетей плохо интерпретируются — невозможно было понять, почему они принимают те или иные решения. Началось сокращение субсидий, уменьшилось количество научных работ. В середине 1970-х наступила «зима».  

«Весна» пришла с миллениумом, когда к нейросетям начали проявлять повышенный интерес. В нулевых появились сверточные модели и прорывные научные работы по ним. Метод глубокого обучения к началу 2010-х позволил решить множество сложных задач. В эту область науки потекли большие деньги, появились новые вычислительные мощности. Вновь наступило «лето». Ученые создали новые классы нейросетей, в том числе трансформеры, сети для генерации изображений, большие языковые модели вроде ChatGPT и еще много интересного.

Нейросети могут параллельно считать большие объемы данных Изображение: © rawpixel.com / Freepik

«Есть такая фраза, что любая достаточно сложная технология неотличима от магии. И казалось, чудо случилось. Произошел всплеск интереса бизнеса и государства, увеличилось финансирование, выросло количество научных работ. Сейчас приходит понимание, что нейросети не волшебная палочка. Они быстрее и в некоторых случаях качественнее выполняют вычисления. Однако, похоже, мы скоро упремся в предел, и снова придет „зима“ ИИ. Судя по всему, до тех пор, пока мы не выйдем на уровень квантовой информации, мы, к сожалению, ничего существенно нового не получим», — говорит Константин Гнидко. 

Непреодолимые трудности

У всех технологий ИИ есть недостаток на фундаментальном уровне. Даже наиболее сложные из существующих моделей «не понимают» сути выполняемых задач.

Александр Крайнов Фото: © Balyshev.com / Profit.kz

«Дело в том, что человек представляет себе, как устроен мир, и знает его законы, а нейронная сеть — нет. Ей очень сложно извлечь это понимание только из текста или статических картинок, поэтому она может иной раз выдавать какую-то ерунду вместо правильного ответа. Например, в интернете мало текстов о том, как открывать дверь на себя, потому что все и так это знают. И нейросеть не может правильно передать этот простой процесс», — объясняет директор по развитию технологий искусственного интеллекта компании «Яндекс» Александр Крайнов.

В определенной мере нейросети — все еще программы для сложения и умножения чисел, говорят ученые. Но даже и без этой «опции» существуют непреодолимые препятствия. 

«Геофизические процессы и климат — это результат взаимодействия огромного количества факторов, которые просто не поддаются учету на имеющемся уровне технического развития человечества. Поэтому точное предсказание погоды на длительный срок до сих пор остается невыполнимой задачей. Моделирование климата по сложности сравнимо с моделированием процессов, происходящих в нашем сознании и подсознании», — объясняет Константин Гнидко. 

Модель может учесть десяток факторов, но когда речь идет о сотнях, смоделировать взаимодействие между ними нереально. Доцент приводит пример с бильярдными шарами — невозможно точно предсказать их поведение после четвертого-пятого соударения. Первое можно спрогнозировать достаточно хорошо, а профессионалу по силам и два последующих. Но что произойдет после шести соударений всех шаров друг с другом? Мельчайшая шероховатость сукна может изменить траекторию на доли миллиметра, а в итоге картина поменяется кардинально.

«То же самое и с климатом. Существует огромное количество факторов, и все они имеют вероятностный характер. Поэтому, к сожалению, на данном этапе прогнозирование климата на сотню лет — это фантастика. Как сказал один из специалистов по применению ИИ в моделировании климата доцент Южного федерального университета Александр Иошпа, когда появится идеальная математическая модель, которая учтет все факторы, влияющие на климат, и докажет свою эффективность точным прогнозом погоды хотя бы на полгода, это будет Нобелевская премия. Я с ним согласен», — резюмирует доктор Гнидко.

С 14 по 19 октября в Научно-технологическом университете «Сириус» прошла Молодежная климатическая неделя для студентов и аспирантов профильных специальностей со всей России. Для молодых специалистов подготовили две образовательные программы. Первая познакомила слушателей с основными элементами климатической системы Земли, причинами и последствиями ее изменчивости. Вторая программа объединила изучение окружающей среды и современные цифровые технологии обработки данных. Студенты ИТ и естественнонаучных специальностей в командах решали комплексные междисциплинарные задачи.

А по итогам Молодежной школы международных переговоров по климату сформируют кадровый резерв молодых экспертов в области исследования климата, готовых конструктивно участвовать в международном диалоге, представлять и отстаивать научно обоснованную позицию нашей страны на международных переговорных площадках. Четыре дня молодые ученые будут работать в тематических комитетах, чтобы в итоге согласовать политическую декларацию. Эксперты отберут лучших выпускников школы, которые войдут в состав российской делегации на конференции ООН по изменению климата COP 29. Она пройдет в Баку в ноябре.