Media i techiczne media oscylują wokół historii o tym, jak AI zmienia absolutnie wszystko - w tym naukę o pogodzie. Ale rzeczywistość jest znacznie bardziej nuansowana. Machine learning rzeczywiście trafia do narzędzi meteorologów, ale nie jako zamiennik dla fizyki czy superkomputerów, a raczej jako dodatkowy instrument w toolboxie naukowca.
AI wykazuje się rzeczywiście przydatnymi zdolnościami w kilku obszarach: przyspieszeniu obliczeń, rozpoznawaniu wzorców w historycznych danych czy poprawianiu szczegółowości prognoz. Jednak trenowanie modeli wymaga ogromnych zbiorów danych, a pogoda i klimat to systemy niezwykle złożone, które nie da się całkowicie zgarnąć w sieć neuronową. Model wytrenowany na danych z jednego regionu niekoniecznie zadziała gdzieś indziej.
To jest lekcja dla całego branży: AI to potężne narzędzie, ale ma granice. W nauce o pogodzie nie zastąpi ona Understanding fizyki atmosfery ani potrzeby wysokiej mocy obliczeniowej. Zamiast tego, najlepsze rezultaty dają hybrydowe podejścia, gdzie machine learning uzupełnia tradycyjne metody numeryczne. To bardziej nudne niż "AI przejmuje prognozę pogody", ale dużo bardziej użyteczne.