Искусственный интеллект ускоряет климатические исследования

Искусственный интеллект дает значительный импульс проектам в области климатических исследований в условиях учащения экстремальных погодных явлений и сокращения финансирования науки в США и других странах.

Хотя генеративному ИИ предъявляют претензии из-за огромного количества энергии, необходимой для обучения и работы сложных моделей, он также обещает ускорить прогресс в науке.

«Это гигантский шаг вперед, — говорит биолог Анхель Борха из морского исследовательского центра AZTI на севере Испании. — Он позволит нам обрабатывать данные и получать результаты гораздо быстрее, чтобы лица, принимающие решения, тоже могли действовать быстрее».

Исследователи обучают существующие модели ИИ и создают новые для выполнения рутинных задач, на которые нескольким людям потребовались бы недели или даже месяцы. Данные, собранные в научных экспедициях — от дна океанов до самых отдаленных уголков Антарктики, — теперь можно каталогизировать за считанные часы.

Однако некоторые ученые предупреждают, что использование генеративного ИИ сопряжено с рисками. Методы машинного обучения — это инструменты, которые никогда не должны заменять человеческое мышление, написание текстов и анализ, заявил исполнительный директор Project Drawdown Джонатан Фоли.

Организация, использующая научные данные для предоставления рекомендаций по климатическим решениям, ограничила использование ИИ-ассистентов простыми задачами, такими как проверка грамматики, форматирование документов и сбор информации из разрозненных источников.

«По определению, генеративный ИИ полагается на плагиат (хотя и в статистическом смысле) и часто фабрикует информацию, цитаты, данные и творческий контент», — сказал Фоли.

Но это не остановило других исследователей. Вот три примера.

ИИ помогает морским исследователям «быстрее делать выводы»

Борха помнит, как 45 лет назад, когда он начинал научную работу, данные собирались вручную, а базы данных заполнялись сотнями измерений. Появление компьютеров и интернета помогло ускорить часть этой работы. Но рост ИИ за последние три-четыре года ощущается как нечто совершенно иное и более преобразующее.

«Мои молодые коллеги беспокоятся, что ИИ украдет их рабочие места, что он сделает нас ненужными, — говорит он. — Все наоборот: мы продвигаемся так быстро, потому что ИИ выполняет рутинную работу, которая отнимает у нас так много часов, и мы сможем сосредоточиться на интерпретации этих данных».

По словам Борхи, ИИ призван резко ускорить возможности центра по предоставлению информации политикам, позволяя им принимать более обоснованные решения. Ученые AZTI тесно сотрудничают с политиками, в частности, для установления квот на вылов рыбы и создания морских охраняемых районов.

Исследователи AZTI начали загружать в модель ИИ миллионы точек данных, собранных за три десятилетия. Данные включают все: от качества воды до присутствия различных видов рыб и планктона. Затем модель создает исследовательские заметки, которые сообщают ученым, какая информация содержится в базе данных и как она структурирована, что позволяет исследователям легче решать, какие наборы данных использовать для своих исследований.

Центр также использует видео и фотографии с исследовательских экспедиций для обучения другой модели распознаванию различных видов рыб и морских обитателей. В настоящее время эта задача требует от ученых просмотра сотен часов подводных видеозаписей и ручной записи того, какие виды появляются, где, как часто и насколько они многочисленны.

«Это позволит нам быстрее делать выводы о состоянии морской среды в определенных местах, — говорит Борха. — Я ожидаю, что в ближайшие пять лет мы увидим взрывной рост применения ИИ в научных областях и такими способами, которые я даже не могу себе представить сейчас».

Прогнозирование погоды становится точнее

Некоторые модели на базе ИИ уже превосходят традиционные системы прогнозирования. Модель Aurora от Microsoft Inc. была обучена на более чем миллионе часов разнообразных геофизических данных. В 91% целевых показателей, установленных ее создателями, она точнее, чем традиционная модель Европейского центра среднесрочных прогнозов погоды и ИИ-модель GraphCast от Google DeepMind.

Согласно исследовательской статье сотрудников Microsoft Research в майском выпуске журнала Nature, она способна предсказывать, среди прочего, качество воздуха, волны и траектории тропических циклонов. Aurora может выполнять эти задачи с гораздо меньшими вычислительными затратами по сравнению с традиционными моделями.

«Такие модели ИИ, как Aurora, могут позволить климатологам исследовать в сотни раз больше сценариев, чем сегодня, помогая получать новые масштабные данные», — заявил представитель Microsoft Research.

По сравнению со своими традиционными погодными аналогами модели ИИ являются своего рода «черным ящиком», что беспокоит некоторых синоптиков. Но качественная метеорологическая информация — это первый шаг к созданию систем предупреждения, которые дают людям время укрыться при ударе экстремальных явлений.

Гражданские ученые получают помощь ИИ

Сочетание человека и ИИ может дать наилучшие результаты для научных исследований, согласно статье, опубликованной в прошлом году в журнале Citizen Science: Theory and Practice. Ведущий автор Нирван Шарма, компьютерный ученый из Открытого университета Великобритании, начал использовать генерацию естественного языка — раннее название того, что сейчас известно как генеративный ИИ, — в 2010 году для проекта гражданской науки.

Людей поощряли присылать Шарме и его соисследователям фотографии шмелей, сделанные во время прогулок по лесу или работы в саду. Затем ИИ идентифицировал, какой из 22 видов шмелей Великобритании они заметили, а исследователи проверяли работу ИИ. Наконец, гражданские ученые получали автоматическое письмо с благодарностью за вклад и информацией о типе сфотографированного шмеля.

Модель, созданная в партнерстве между Абердинским университетом и Фондом охраны шмелей, правильно идентифицировала виды примерно в половине случаев — показатель, сопоставимый с неподготовленными пользователями-людьми. Первоначально для правильной идентификации типа шмеля требовалось около 10 человек. По мере обучения модели количество необходимых людей сократилось до трех.

Используя большое количество фотографий, собранных за годы, исследователи обучили модель определять растения, на которых были сфотографированы пчелы, что позволило ей давать рекомендации по посадкам в зависимости от типов пчел, которых хотели привлечь гражданские ученые.

«Значительная часть знаний о том, как определять виды, заперта в научных журналах или местах, доступ к которым для людей действительно затруднен, — говорит Шарма. — ИИ — это еще один элемент для улучшения нашего обучения, средство для ведения диалога с этими знаниями».