AI-modell förutsåg kategori 5-orkanen fem dagar i förväg – ett genombrott som kan rädda liv

När maskinen ser stormen innan meteorologen gör det

Det finns en viss ironi i att några av de mest livräddande tillämpningarna för AI inte handlar om medicin eller autonoma fordon – utan om att titta på moln. Enligt en studie publicerad i den vetenskapliga tidskriften Nature har Googles forskningsgren DeepMind utvecklat en vädermodell som gör precis det, och gör det bättre än något annat system som funnits tidigare.

Modellen heter WeatherNext, och dess genombrott är enkel att förstå: när orkanen Melissa ännu befann sig på kategori 1 – den lägsta intensitetsnivån – gav WeatherNext fem dagar i förväg en prognos med 80 procents säkerhet om att stormen skulle eskalera till kategori 5. Det var historiskt. Det amerikanska nationella orkancentret hade aldrig tidigare lyckats förutsäga en kategori 5-orkan så tidigt, med en storm som fortfarande var på sin lägsta intensitetsnivå.

Ett dygns försprång som förändrar allt

Att vinna ett dygn låter kanske inte dramatiskt. Men satt i rätt sammanhang är det enormt.

Historiskt sett har det tagit ett helt decennium av meteorologisk forskning att förbättra prognosnoggrannheten med ett enda dygn. WeatherNext verkar ha uppnått samma sak på en bråkdel av den tiden. En tremidagsprognos från AI-modellen uppges vara lika tillförlitlig som en tvådagsprognos från äldre system – vilket i praktiken innebär att beslutsfattare får ett helt extra dygn på sig.

Mike Brennan, chef för det nationella orkancentret i USA, sätter ord på vad det extra dygnet faktiskt innebär i praktiken:

– Även några timmar kan göra skillnad. Tid är verkligen ovärderlig när det handlar om den typen av beslut.

Han syftar på evakueringar, resursförflyttning och beredskapsinsatser – alla sådana åtgärder är tidskritiska. Att beordra en evakuering för tidigt kostar pengar och förtroendekapital. Att göra det för sent kostar liv.

Det tekniska problemet som länge bromsat utvecklingen

Som systemutvecklare fastnar jag alltid vid den underliggande tekniska utmaningen – och här är den riktigt intressant. Orkaner är notoriskt svåra att modellera just för att de kräver data på vitt skilda geografiska skalor samtidigt. Lokala temperaturskillnader i havsytan samspelar med atmosfäriska mönster som spänner över hela kontinenter. Traditionella numeriska vädermodeller har kämpat med denna skalproblematik i decennier.

Det DeepMind verkar ha gjort med WeatherNext är att träna en modell som kan hantera dessa skalöverskridande beroenden på ett sätt som klassiska fysikbaserade modeller inte klarar lika effektivt. Det är i grunden samma styrka som gjort stora språkmodeller framgångsrika – förmågan att hitta mönster i enorma, heterogena datamängder – men här applicerat på jordatmosfären istället för mänsklig text.

Mer än ett laboratorieexperiment

Det finns en viktig distinktion värd att lyfta fram: detta är inte ett lovande forskningsresultat som kanske någon gång leder till något användbart. WeatherNext används redan av det nationella orkancentret, och det var just i den operativa kontexten som den historiska förutsägelsen om orkanen Melissa gjordes.

Det är skillnaden mellan AI som akademisk prestation och AI som samhällsnytta. Och det är den skillnaden som gör den här nyheten verkligt betydelsefull.

De senaste åren har vi sett en rad AI-baserade vädermodeller visa lovande resultat – bland annat GraphCast från just DeepMind och Pangu-Weather från Huawei – men WeatherNext verkar ta nästa steg och omsätta den tekniska prestandan i faktisk operativ nytta. Det är, om vi ska vara ärliga, det svåra steget.