Когда в сезоне ураганов 2025 года модель искусственного интеллекта WeatherNext от Google DeepMind помогла Национальному центру по ураганам США предсказать выход урагана Мелисса на сушу в Ямайке в категории 5, это вызвало оживлённые дискуссии в профессиональном сообществе. По имеющимся данным, WeatherNext превзошла все остальные модели, использовавшиеся в том сезоне. Это достижение заставляет задуматься о будущем прогнозирования погоды.

На протяжении десятилетий прогнозы погоды создавались почти исключительно с помощью численного прогнозирования погоды (NWP) — это массивные физические уравнения, обрабатывающие данные атмосферы, полученные со спутников, и работающие на одних из самых мощных суперкомпьютеров в мире. Теперь новая волна моделей на основе искусственного интеллекта бросает вызов этой парадигме, предлагая прогнозы за считанные минуты на графических процессорах или даже ноутбуках.

Однако речь идёт не о полной замене одного подхода другим, а о сравнении их сильных сторон и о том, как они могут сблизиться в будущем.

NWP начинается со сбора наблюдений, которые затем объединяются с предыдущими прогнозами через процесс, называемый ассимиляцией данных. Это позволяет получить наилучшую оценку текущего состояния атмосферы. На основе этой оценки физические уравнения моделируют эволюцию атмосферы во времени. Обычно глобальные модели обновляются каждые шесть часов, выдавая детерминированные прогнозы или множественные ансамблевые прогоны для учёта неопределённости, с горизонтом до 10–15 дней. Затем результаты проходят постобработку: корректируются систематические ошибки и масштабируются до уровня, понятного широкой публике.

Преимущества NWP: десятилетия развития, институциональное доверие, физическая объяснимость результатов.

Недостатки: высокая стоимость и низкая скорость вычислений.

Искусственный интеллект идёт совершенно другим путём. Вместо прямого решения физических уравнений модели машинного обучения обучаются на многолетних исторических данных — в основном на реаналитических наборах данных, таких как ERA5, которые помогают выявлять закономерности эволюции атмосферы.

После обучения модель способна выдавать прогнозы за считанные минуты на основе текущего состояния атмосферы. Такие модели генерируют вероятности напрямую, показывая, насколько они уверены в разных исходах. Как и в случае с NWP, прогнозы требуют калибровки и часто сверяются с традиционными моделями, однако преимущество в скорости огромно.

Преимущества ИИ: высокая скорость, способность работать с большими объёмами данных, прямое получение вероятностных оценок.

Недостатки: зависимость от традиционных моделей, меньшая прозрачность в формировании прогнозов — так называемая проблема «чёрного ящика».

На практике два подхода уже начинают переплетаться. ИИ-модели часто калибруются по эталонным NWP-прогнозам, а метеорологические агентства исследуют гибридные системы, сочетающие физику и машинное обучение. Самый большой открытый вопрос — это доверие: у NWP за плечами десятилетия институциональной валидации, тогда как ИИ по-прежнему сталкивается с критикой в вопросах объяснимости, поведения в экстремальных ситуациях и стабильности за пределами краткосрочного горизонта.

Европейский центр среднесрочных прогнозов погоды уже запустил свою ИИ-модель AIFS параллельно с флагманской NWP-системой, что явно указывает на гибридное будущее, а не на полную замену одного подхода другим.

В дискуссиях о противостоянии ИИ и NWP часто упускается из виду то, что их объединяет: зависимость от наблюдательных данных, основная масса которых поступает со спутников. Более 90% данных, ассимилируемых в операционные NWP-системы, имеют спутниковое происхождение. Удаление спутниковых данных из NWP приводит к ухудшению качества прогнозов на всех сроках упреждения сильнее, чем удаление любого другого типа наблюдений.

ИИ-модели наследуют ту же зависимость, но с одним шагом назад. Они обучаются на реаналитических наборах, таких как ERA5, которые сами построены на десятилетиях спутниковых наблюдений. И инициализируются они во время работы от анализов, создаваемых NWP-системами, работающими на тех же наблюдениях.

Это означает, что революция ИИ в прогнозировании погоды опирается на глобальную спутниковую наблюдательную сеть. Лучшие модели извлекают больше информации из одних и тех же данных, но они не могут создать информацию там, где её нет. Более того, ИИ-прогнозирование повышает ставки в вопросе поддержания глобальной наблюдательной сети — как государственных спутниковых миссий, так и коммерческих группировок — финансируемой, современной и непрерывной.

ИИ-модели способны обрабатывать наблюдения с такой частотой и в таких объёмах, которые недоступны традиционным NWP, что отчасти объясняет, почему коммерческие метеорологические спутниковые группировки сегодня масштабируются одновременно с самими ИИ-моделями.

Какой бы подход — ИИ, NWP или гибридный — в конечном итоге ни доминировал в прогнозировании погоды, фундамент возможностей любой из моделей определяется лежащей в основе спутниковой наблюдательной сетью. Успех WeatherNext — это не победа ИИ над физикой, а демонстрация того, насколько эффективно можно извлекать информацию из имеющихся данных. Истинный прорыв произойдёт, когда мы научимся объединять лучшее из обоих миров: физическую достоверность NWP и вычислительную мощь ИИ, опираясь на единую, надёжную и постоянно обновляемую космическую инфраструктуру.