Az elmúlt hetekben különösen sokat olvashattunk a mesterséges intelligencia (MI) hordozta veszélyekről, úgy Joe Biden amerikai elnök vonatkozó rendeletében, ahogyan az angliai Bletchley Parkban megszületett nemzetközi nyilatkozatban is. Ugyanakkor azt mindkét szövegben kiemelték, hogy a technológia képes lehet arra, hogy tudományos áttöréseket támogasson, sőt, akár az ENSZ fenntarthatósági céljaihoz is hozzájáruljon. Utóbbi esetében nehéz elképzelni, hogy az éhezés megszüntetéséhez, a tiszta ivóvízhez és energiához, vagy épp az ökoszisztémák védelméhez ne lenne szükség még jobban működő meteorológiai modellekre. Úgy tűnik, a DeepMindnál most fontos lépést tettek ebbe az irányba.

Az Ars Technicán olvasható hír szerint a GraphCast nevű szoftver teljesítményét az Európai Középtávú Előrejelző Központ (ECMWF) által létrehozott "nagy felbontású" elemzésekkel vetették össze, közel ezernégyszáz ponton. Vizsgálták például a földi hőmérsékletet, a szél sebességét és irányát, vagy a nyomást, illetve hat atmoszférikus tényezőt, harminchét különböző magasságban. Az MI-alapú modell az esetek kilencven százalékában teljesített jobban; csak a troposzférát, az atmoszféra Földhöz közeli részét vizsgálva ez a szám már gyakorlatilag száz százalék.

Az MI-alapú jóslatokhoz ráadásul nincs szükség sok energiára: a cég állítása szerint az erre a célra létrehozott TPU (Tensor Processing Unit) számítógépen egy tíznapos becslés egyetlen perc alatt elkészül. A korábbi rendszerek bizonyos esetekben órákon át futnak egy többszáz egységből álló szuperszámítógépen, mert fizikai egyenletek alapján létrehozott algoritmusokkal működnek. A GraphCastnél ezzel szemben csak az MI trenírozása volt energiaintenzív, hiszen képletek helyett négy évtizednyi adat feldolgozása kellett az előrejelzésekhez.

Az ECMWF egyik szakembere szerint az MI a meteorológiában "sokkal gyorsabban és látványosabban fejlődik, mint akár két évvel ezelőtt gondolták volna". Ugyanakkor a Google-nél azt mondják, hogy korai a korábbi rendszerek leváltásáról beszélni, hiszen azokat hosszú ideje tesztelik, bizonyos esetekben többet tudnak, így a GraphCast egyelőre inkább kiegészíteni, támogatni tudja azokat.

(Borítókép: Sarayut Thaneerat/Getty Images)