ИИ умеет предсказывать погоду на десять дней. А что, если тот же подход — но на десятилетия вперёд?
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.
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 |
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)
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.
