Новий ШІ від ETH Zurich самостійно навчився розуміти клімат Землі — і точніше передбачає екстремальну погоду

Тайфун Доксурі в липні 2023 р. посилився до рівня супертайфуну за кілька годин — зірвавши дахи будинків, затопивши вулиці Китаю і Філіппін. Сучасні ШІ-моделі погоди цього не передбачили. Проблема — в «сліпих плямах»: ШІ розглядає атмосферу, гідрологію і суходіл як окремі системи і не розуміє, як вони взаємодіють. Як повідомляє Phys.org з посиланням на ETH Zurich і Швейцарський національний суперкомп’ютерний центр (CSCS), нова Земна системна базова модель (ESFM) вирішує саме цю проблему: вона самостійно, без людського керівництва, навчилась фундаментальним взаємодіям між повітрям, водою і суходолом — і перевершує всі попередні ШІ-моделі при прогнозуванні екстремальних подій.

Що відомо коротко

• Стаття: Ozdemir F., Cheng Y., Mohebi S., Lehmann F., Adamov S., Trentini L., Huang L., Lingsch L., Zhang Z., Fuhrer O., Soja B., Mishra S., Hoefler T., Schemm S., Salzmann M. «ESFM — A foundation model framework for heterogeneous data integration», EGU General Assembly 2026 (Vienna, 3–8 травня 2026). DOI: 10.5194/egusphere-egu26-18011. ETH Zurich + CSCS (Lugano).
• Ключова ідея: більшість ШІ-погодних моделей обробляють різнорідні дані (атмосферні, гідрологічні, земні) окремо. ESFM об’єднує їх в єдину систему — гетерогенна інтеграція даних.
• Навчання: ESFM навчилась фізичним взаємодіям автономно — без явно заданих людиною правил, лише на даних.
• Ключова перевага 1: заповнює пропущені вимірювання — реконструює дані там, де спостережень не було.
• Ключова перевага 2: вловлює зворотні зв’язки між системами — наприклад, як нагрів суші впливає на шторми над морем.
• Результат: перевершує попередні ШІ-моделі при прогнозуванні супертайфунів і посух.
• Презентація: EGU General Assembly 2026, Відень.

Що це за явище

[Тайфуни стануть у 4–5 разів частішими через тепліший Тихий океан](написана в цій сесії) — і прогнозування їхнього раптового посилення є одним з найважливіших завдань сучасної метеорології. Але стандартні ШІ-моделі (GraphCast, Pangu-Weather, FuXi) мають принципове обмеження: вони тренуються переважно на атмосферних даних і «не знають», як температура поверхні океану взаємодіє з вологістю ґрунту, яка взаємодіє з хмарністю, яка взаємодіє з опадами.

«Базові моделі» (foundation models) — новий тип ШІ, що натренований на величезних і різнорідних наборах даних і здатний гнучко вирішувати широкий спектр завдань. GPT є базовою мовною моделлю. ESFM — перша спроба такого підходу для кліматичної системи Землі.

Деталі відкриття

Попередні ШІ-метеомоделі страждають від «прогалин даних»: спостережні станції нерівномірно розподілені по планеті (море, пустеля, полюси — майже без вимірювань), і традиційні методи погано заповнюють ці прогалини.

ESFM вирішує це через «реконструкцію»: модель навчилась «здогадуватись», яким має бути значення в пропущеній точці на основі взаємозалежностей з оточуючими вимірюваннями. І що принципово — вона робить це, розуміючи фізичні взаємодії між атмосферою, гідросферою і педосферою (верхнім шаром ґрунту).

«Через навчання на дуже різних типах даних моделі на зразок ESFM набувають форму фундаментального знання і тому гнучко вирішують широкий спектр завдань», — пояснює Торстен Хефлер, профессор інформатики ETH Zurich і Chief AI Architect CSCS.

Що показали нові спостереження

[Пустельний пил нагріває атмосферу вдвічі більше, ніж вважали кліматичні моделі](написана в цій сесії) — і ESFM є відповіддю на той самий тип проблем: традиційні моделі неправильно параметризують складні взаємодії. ШІ-модель, навчена на всіх типах даних одночасно, може «виявити» такі взаємодії без явного кодування.

Демонстраційний кейс — тайфун Доксурі: ESFM змогла відтворити і передбачити раптове посилення шторму, що стандартні ШІ-моделі пропускали. Це відбувається тому, що посилення тайфуну залежить від взаємодії тепла поверхні океану, вологи в атмосфері і конвективних токів — саме тих зв’язків, які ESFM вловлює цілісно.

Чому це важливо для науки

Є загальний принцип: фізичні моделі краще прогнозують рекордно екстремальні події (недавня публікація Science Advances показала це), але ШІ-моделі швидші і ефективніші для рутинних прогнозів. ESFM намагається дати «найкраще з двох світів»: швидкість і гнучкість ШІ + фізична обґрунтованість через автономне навчання взаємодіям.

Цікаві факти

• 🌀 Тайфун Доксурі (2023 р.) посилився від тропічного шторму до категорії 5 (суперт айфун) менш ніж за 24 години — один з найшвидших посилень за останні роки. Це явище «швидкого посилення» (rapid intensification) є найважчим для прогнозування в сучасній метеорології. Воно залежить від тонких взаємодій між теплом океану, конвекцією і вітровим зрізом — саме тих зв’язків, що ESFM намагається вловити системно. Джерело: Ozdemir et al., EGU 2026.
• 🤖 «Базові моделі» (foundation models) революціонізували обробку мови (GPT, BERT), зображень (DALL-E, Stable Diffusion) і білків (AlphaFold). Тепер ця парадигма приходить до кліматичної науки: замість «моделі для конкретного завдання» — «загальна модель, що розуміє Землю». ESFM є одним з перших прикладів, але паралельно розробляються схожі системи: ClimateLearn (Microsoft + NCAR) і Aurora (Microsoft, 2024 р.). Джерело: ETH Zurich / Phys.org, 13 травня 2026.
• ⚠️ Обмеження сучасних ШІ-моделей погоди задокументовані новою статтею Science Advances (Zhang et al., травень 2026, DOI: 10.1126/sciadv.aec1433): провідні ШІ-моделі (GraphCast, Pangu) гірші за фізичну модель HRES при прогнозуванні рекордних теплових, холодових і вітрових екстремів — саме тому що вони тренувались на «типових» даних і не вміють екстраполювати за межі бачених прикладів. ESFM намагається вирішити це через розуміння фізичних взаємодій. Джерело: Carbon Brief, травень 2026.
• 🌍 CSCS (Swiss National Supercomputing Centre) є домом для Alps — одного з найбільших ШІ-суперкомп’ютерів у світі (4-е місце у рейтингу TOP500 на листопад 2023 р., оновлений у 2025 р.). Тренування ESFM на гетерогенних земних даних вимагає саме такого рівня обчислювальних потужностей — і CSCS під керівництвом Хефлера є ідеальним партнером для ETH Zurich у цьому проекті. Джерело: CSCS, 2026.

FAQ

Чим ESFM відрізняється від GraphCast або Pangu-Weather? GraphCast (Google DeepMind) і Pangu-Weather (Huawei) — це ШІ-моделі, навчені переважно на атмосферних реаналізних даних ERA5. Вони «бачать» лише атмосферу. ESFM інтегрує також гідрологічні і земні дані і навчається їхнім взаємодіям — що теоретично дає повніше розуміння системи Земля.

Чи буде ESFM використовуватись для оперативних прогнозів погоди? Поки — ні. Це дослідницька демонстрація, представлена на конференції EGU. До оперативного застосування потрібні: розширення тренувальних даних, валідація на ширшому наборі екстремів і перевірка надійності в умовах реального часу. Але це перший крок у напрямку нового класу кліматичних ШІ.

Як ESFM заповнює пропущені дані? Через те, що модель розуміє фізичні взаємодії між змінними, вона може «здогадатись» про значення в пропущеній точці на основі суміжних вимірювань. Наприклад, якщо немає прямого вимірювання температури океану в певній точці — ESFM може реконструювати її з даних про атмосферний тиск, температуру повітря і течії в сусідніх точках.

🤯 WOW-факт: Тайфун Доксурі в 2023 р. посилився за кілька годин так, що метеорологи просто «не встигли» попередити. ШІ-моделі, що зазвичай перевершують фізичні, цей стрибок пропустили. Причина: вони не «розуміли», що тепло Тихого океану, вологість мусону над суходолом і конвективні башти в атмосфері — це одна система, а не три окремих. ETH Zurich навчив свою модель на всіх цих даних одночасно, і вона самостійно — без жодної підказки людини — «зрозуміла» взаємозв’язки. Тепер вона може відтворити тайфун Доксурі. І, можливо, попередити про наступний.