AI-агенты в прогнозе погоды: где автономность помогает, а где нет

За последние два года прогноз погоды перестал быть исключительно вотчиной суперкомпьютеров, гоняющих уравнения гидродинамики. GraphCast от Google DeepMind (представлен в 2023 году, статья опубликована в журнале Science) считает глобальный прогноз на 10 суток примерно за минуту на одном тензорном процессоре — там, где классическим численным моделям нужны часы на кластере. Следом появились Aurora от Microsoft и FourCastNet от NVIDIA. Теперь поверх этих моделей начинают строить агентов: программы, которые сами решают, какие данные подтянуть, какую модель запустить и как свести результаты. Вопрос в том, что из этого — рабочий инструмент, а что — демонстрация ради демонстрации.

Что вообще изменилось в прогнозе

Классический численный прогноз погоды (NWP) работает так: берётся текущее состояние атмосферы, дальше система дифференциальных уравнений шаг за шагом рассчитывает, что будет через час, три, шесть. Это дорого по вычислениям и упирается в размер расчётной сетки.

Нейросетевые модели идут другим путём. Их обучают на архиве реанализа ERA5 Европейского центра среднесрочных прогнозов (ECMWF) — это десятилетия почасовых данных о состоянии атмосферы. Модель не решает уравнения, а предсказывает следующее состояние по паттернам, которые нашла в истории. Отсюда скорость.

По данным DeepMind, на части стандартных метрик верификации GraphCast обошёл оперативную систему ECMWF HRES в сравнении, опубликованном вместе с моделью. Это не значит «лучше во всём»: экстремальные и редкие события — то, чего в обучающих данных мало, — остаются слабым местом статистических моделей.

Точные значения метрик и условия сравнения смотрите в оригинальных публикациях: разные модели тестируют на разных переменных и горизонтах, и одна общая цифра «кто лучше» тут вводит в заблуждение.

Где в этой картине агент

Быстрая модель — это ещё не автоматизация. Метеоролог по-прежнему тратит время на рутину: собрать актуальные наблюдения, проверить их на ошибки, запустить нужную модель с нужными параметрами, сопоставить несколько прогнозов, оформить сводку. Идея агента^* в том, чтобы часть этой цепочки шла без ручного управления.

Ценность агента в прогнозе не в том, что он «сам всё решит», а в том, что он снимает рутину сбора и сверки данных — а окончательную интерпретацию оставляет человеку.

Что агент реально может делать

• подтягивать свежие наблюдения со станций, спутников и радаров через API и проверять их на очевидные аномалии;
• запускать одну или несколько нейромоделей и собирать ансамбль прогнозов;
• сравнивать выходы моделей между собой и подсвечивать расхождения;
• формировать черновую текстовую сводку по региону, которую дежурный синоптик правит, а не пишет с нуля.

Чего лучше не поручать агенту в одиночку

• решение о штормовом предупреждении — цена ошибки слишком высока для полной автономии;
• интерпретацию редких и экстремальных событий, на которых статистические модели ошибаются чаще;
• любую коммуникацию с населением без проверки человеком.

Кому это пригодится, а кому нет

Пригодится: региональной метеослужбе, где два дежурных синоптика закрывают большую территорию и тонут в рутине сверки данных. Пригодится агросектору и энергетике — там, где нужен частый локальный прогноз (заморозки, ветровая генерация, нагрузка на сети), и где готовы платить за автоматизацию пайплайна. Пригодится исследователям, которые прогоняют десятки сценариев и хотят снять ручную оркестрацию.

Не пригодится: если у вас нет доступа к качественным входным данным. Агент поверх плохих наблюдений выдаёт быстрый и уверенный, но неверный прогноз — и уверенность здесь опаснее медлительности. Не пригодится там, где решение и так принимается по регламенту государственной службы: автономная система не снимет с человека ответственность за официальное предупреждение.

Что стоит проверить перед внедрением

1. Откуда берутся входные данные и кто отвечает за их качество — модель не исправит мусор на входе.
2. Как агент ведёт себя на экстремальных сценариях, а не только на типичной погоде.
3. Остаётся ли человек в контуре принятия критичных решений.
4. Можно ли воспроизвести и объяснить конкретный прогноз постфактум — для разбора ошибок это обязательно.

^* Агент — программа на основе языковой или иной модели, которая не просто отвечает на запрос, а сама планирует шаги и вызывает внешние инструменты (API, базы данных, другие модели) для достижения цели. В отличие от одиночного вызова модели, агент выполняет цепочку действий и может корректировать её по ходу.