Rémi Lam słyszał o mikroklimatach San Francisco, ale zrozumiał ich osobliwość dopiero, gdy przeprowadził się tam w tym roku. „Ulica, na której mieszkam, może być mglista, podczas gdy dwie przecznice dalej jest słonecznie, ” mówi. Prognozy pogody dla miasta mogą być niezwykle nietrafione w zależności od lokalizacji. Nawet zaawansowane prognozy nie potrafią dokładnie przewidzieć mikroklimatów w całym mieście. Jako badacz w Google DeepMind w Londynie, Lam intensywnie skupia się na pogodzie i prognozowaniu. Jest liderem w wykorzystywaniu uczenia maszynowego do ulepszania prognoz pogody, dziedziny, która w ostatnich latach szybko się rozwijała, z Lamem i jego kolegami na czele. Nie są oni osamotnieni w tym dążeniu. Kilka grup, w tym Microsoft, Nvidia, Huawei oraz Europejskie Centrum Prognoz Średnioterminowych (ECMWF) w Reading, Wielka Brytania, ściga się w tworzeniu prognoz pogody wspomaganych przez AI. Przez większą część tego roku, GraphCast, projekt kierowany przez Lama, prowadził pod względem dokładności (R. Lam et al. Science 382, 1416–1421; 2023). „GraphCast podniósł poprzeczkę dla umiejętności prognozowania, ” mówi Matthew Chantry, lider ECMWF w dziedzinie prognozowania pogody opartego na AI. Tradycyjne prognozy pogody to skomplikowane programy symulujące ewolucję atmosferyczną Ziemi na podstawie dynamiki powietrza, ciepła i pary wodnej.

GraphCast, sztuczna sieć neuronowa o strukturze globalnej siatki, został „wytrenowany” z rzeczywistymi pomiarami atmosferycznymi bez jawnych praw fizyki. Co zadziwiające, jego prognozy przewyższyły te konwencjonalne. „Byłem zaskoczony, że tak szybko przewyższył prognozy oparte na fizyce, ” mówi Lam. Chociaż szkolenie AI jest wymagające obliczeniowo, jego prognozy działają w mniej niż minutę na zaawansowanym komputerze biurkowym—znacznie szybciej niż godziny potrzebne na konwencjonalne prognozy superkomputerowe. Urodzony na przedmieściach Paryża w 1988 roku, Lam kształcił się jako inżynier lotniczy we Francji i USA. Jego wiedza z zakresu modelowania statystycznego mechaniki płynów stała się cenna dla zastosowań AI. DeepMind, ze swoją misją rozwiązywania wyzwań naukowych, był idealnym miejscem. „Nie ma lepszego miejsca dla uczenia maszynowego, ” mówi. Maria Molina, naukowiec zajmujący się atmosferą na Uniwersytecie Maryland w College Park, która aplikuje AI do modelowania pogody i klimatu, docenia wysiłki Google w udostępnianiu publicznie swoich modeli pogodowych. Zwraca jednak uwagę na przyszły dostęp, stwierdzając: „Kiedy ta dobra wola może się skończyć?” Mogłoby to być problematyczne, gdyby firmy zmonopolizowały najlepsze prognozy, zwłaszcza dla ekstremalnych zjawisk pogodowych. „Dostęp do informacji ratujących życie nigdy nie powinien zależeć od płatności publicznej. ”