> ## Content Index > Fetch the complete content index at: https://eclibra.com/llms.txt > Use this file to discover other available public pages before exploring further. # ИИ удержал точность на 15-летнем прогнозе климата: эмуляторы больше не дрейфуют - URL: https://eclibra.com/ai-long-horizon-forecasting-2026/ - Published: 2026-08-17T09:01:27.000Z - Updated: 2026-08-17T09:01:28.000Z - Description: Эмулятор стабильно обошёл авторегрессию на 15-летнем горизонте (RMSE 39,6 против 108,8). Почему это общий скелет для долгосрочного прогноза любой геофизики. - Author: Eclibra - Tags: Горизонт, #mode-5, #hook-question, #track-A ИИ умеет предсказывать погоду на десять дней. А что, если тот же подход — но на десятилетия вперёд? 🎯 Модели-эмуляторы перестали дрейфовать на длинных горизонтах. Новый графовый эмулятор ледникового щита Западной Антарктиды удерживает точность на 15-летнем окне — RMSE 39,6 против 108,8 у классической авторегрессии. Параллельно TritonCast делает годовой прогноз глобального климата за 56 секунд на одной A100 — и держит стабильность на 2500-дневном тесте. Это не «ещё одна климатическая модель». Это смена класса: прогноз перестаёт быть делом суперкомпьютеров и начинает быть задачей машинного обучения. ## Почему авторегрессия срывается на десятилетиях Любая нейросеть, обученная предсказывать «следующий шаг», на длинной дистанции проваливается. Ошибка с каждого шага передаётся в следующий, и через год прогноз превращается в физически абсурдную картинку: энергия «растекается» в нереальные спектры, мелкие вихри исчезают, температура дрейфует к среднему. Исследователи называют это спектральным смещением — модель отлично видит крупные низкочастотные структуры и пропускает те самые мелкие процессы, которые на десятилетиях и решают. Два независимых коллектива — группа Мэриам Рахнемунфар по графовым сетям и команда TritonCast из Института изучения климата — подошли к одной проблеме с разных сторон, и оба решили её. 📊 **Главная цифра** 15-летний прогноз скорости и толщины льда Пайн-Айленд: эмулятор даёт RMSE 39,6\. Авторегрессионный бейзлайн (эталонный прогон) — 108,8\. Инициальный прогноз от исходного состояния — 43,0\. ## Графовый эмулятор: горизонт как параметр обучения Рахнемунфар и её студент Цзэшэн Лю (работа принята на ICPR 2026, статья вышла на arXiv 28 мая) сделали то, что звучит просто: вместо предсказания одного шага сеть учат сразу на многих горизонтах. Физическая область разбивается на граф — узлы с атрибутами, рёбра с соседскими связями — и модель предсказывает эволюцию полей (скорость, толщина) на разные сроки в одной архитектуре. Ключевой трюк — предсказывать не состояние, а приращение относительно текущего, а на инференсе идти «от грубого к точному»: большие шаги вперёд с выборочной коррекцией на коротких. За счёт этого ошибка не накапливается, как у пошаговой авторегрессии. На тесте с ледником Пайн-Айленд (пять базальных сценариев таяния, сетки 2, 5 и 10 км) эмулятор стабильно превосходит и инициальный бейзлайн, и авторегрессию. Почему это важно за пределами гляциологии: те же механизмы — графовая структура, обучение сразу на многих горизонтах, предсказание приращений — применимы к любому геофизическому полю. Это общий скелет для долгосрочного прогноза. ## TritonCast: год климата за 56 секунд Параллельная линия — TritonCast, иерархический фреймворк, который борется со спектральным смещением через многоуровневую обработку: модель явно разрешает мелкие масштабы, как это делают адаптивные сетки в классических численных моделях. Результаты, опубликованные в прошлом году: | Параметр | TritonCast | Авторегрессия U-Net | | --------------------------------- | -------------------------- | ------------------------ | | **Годовой прогноз температуры** | ✔ стабильно, без дрейфа | ✗ растекается к среднему | | **Прогноз вихрей Куросио** | ✔ до 120 дней (ACC > 0,85) | ✗ \~10 дней | | **RMSE турбулентности, 99 шагов** | ✔ 0,45 | ✗ 1,72 | | **Стоимость годового прогноза** | ✔ 56 секунд на A100 | ✗ дни на HPC-кластере | Источник: arXiv 2505.19432, 2025 Стабильность на 2500-дневном авторегрессионном тесте — это то, чего от нейросетей ещё недавно не ждали. Тот же подход к длинному горизонту превращает эмулятор из лабораторной игрушки в инструмент оперативного прогноза. ## Кому нужен прогноз на десятилетия Уровень моря — главный заказчик. Подъём уровня зависит от льда Западной Антарктиды, а его модели — от баланса скорости и толщины на десятилетия вперёд. Дороги, порты, недвижимость планируются на 50–100 лет, и каждый километр льда, предсказанный неточно, оборачивается миллиардами недоучтённых рисков. Второй заказчик — страхование. Перестраховщики уже требуют от моделей климата не точечный прогноз, а распределение сценариев: сотни прогонов вместо одного. Эмуляторы делают ансамбли дешёвыми — там, где раньше считали один сценарий на суперкомпьютере, теперь можно прогнать сотню на GPU-ферме. Третий — энергетика и инфраструктура. Гидроэнергетика, охлаждение АЭС, охлаждение дата-центров — всё это зависит от многолетних климатических режимов, а не от погоды на неделю. Наконец, сами климатические модели: как писали в январе в Nature Communications Earth & Environment, следующий этап — не «победить» эмуляторами симуляторы, а тесно связать два сообщества, чтобы эмуляторы закрывали окна, где полные модели слишком дороги. ## Где модели всё ещё спотыкаются Честный лимит: у эмуляторов нет физики. TritonCast и графовый эмулятор предсказывают закономерности из данных — и переносят на новые условия ровно настолько, насколько эти условия были представлены в обучении. Сценарий с таянием, которого не было в датасете, может быть оценён уверенно и неверно. Авторы обоих работ прямо об этом пишут: стабильность ≠ истинность. Долгий стабильный прогон, который красиво держит форму, но систематически ошибается в режиме — это новый класс ошибки, который старые модели хотя бы не могли производить так дёшево. ``` ХРОНИКА: ИИ-эмуляторы климата ───────────────────────────────────────────────────────────── 2022 ──── 2024 ──── 2025 ──────── 2026 📈 GNN 🧊 GCN- 🌊 TritonCast ◉ СЕЙЧАС прогноз эмуляция год климата 🔥 ДАЛЕЕ погоды льда за 56 сек горизонт- (Keisler) (Rahnemoonfar) (arXiv 2505.19432) (Pine Island, ICPR 2026) ``` Три этапа: от прогноза погоды на неделю к стабильному декадному прогнозу ## Что меняется, когда прогноз становится дешёвым Здесь история перестаёт быть про климат. Всё, что умеет этот класс моделей, — превращать дорогой расчёт в быстрый. А значит, пересматривать решения, которые раньше считались неотделимыми от дороговизны: один прогон вместо ансамбля, один сценарий вместо ста. Три экономики 2035-го, о которых мы писали в августе по модели PwC, строились на предположении, что неопределённость можно только принять. Эмуляторы делают неопределённость измеримой: вот распределение, вот его хвосты, вот сценарии, которые физически согласованы. Это другой язык планирования. Стоимость прогноза падает в тысячи раз. Правда, вместе с ней падает и цена ошибки в интерпретации: модель-эмулятор легче запустить — и легче перепутать стабильный вывод с проверенным. 🔮 **Вопрос не в том, научатся ли эмуляторы считать десятилетия. Вопрос — кто будет платить за новые ошибки, которые они сделают дешёвыми и незаметными.** ## Источники [ От коротких историй к долгим будущим: графовые сети с учётом горизонта Оригинальная статья Цзэшэна Лю и Мэриам Рахнемунфар: multi-horizon эмулятор ледникового щита, принята на ICPR 2026. arXiv / ICPR 2026 ](https://arxiv.org/abs/2605.29952?ref=eclibra.com) Первоисточник всех цифр по графовому эмулятору: метод, тесты на Пайн-Айленд, RMSE-сравнения. [ Продвинутый долгосрочный прогноз земной системы TritonCast: иерархический фреймворк против спектрального смещения, годовой прогноз за 56 секунд, 2500-дневная стабильность. arXiv 2505.19432 ](https://arxiv.org/abs/2505.19432?ref=eclibra.com) Вторая независимая линия: решение той же проблемы дрейфа с другой стороны. [ Перестраивая климатическое моделирование с помощью ML-эмуляторов Nature Communications Earth & Environment о том, почему следующая фаза — сближение сообществ симуляторов и эмуляторов. Nature Communications Earth & Environment ](https://www.nature.com/articles/s43247-026-03238-z?ref=eclibra.com) Контекст: почему эмуляторы — это стратегическое направление климатической науки, а не разовые игрушки.