AI předpověď počasí: NOAA ušetřila 99,7 % výpočtů

Americká NOAA nasadila do ostrého provozu sadu AI modelů pro globální předpověď počasí. Jeden běh šestnáctidenní předpovědi spotřebuje 0,3 % výpočetního výkonu, který potřeboval původní systém, a doběhne zhruba za 40 minut. To není laboratorní experiment ani pilot — je to produkční nasazení v instituci, jejíž předpovědi rozhodují o evakuacích celých pobřežních měst.

Zajímavé na tom příběhu ale není číslo 99,7 %. Je to rozhodnutí, které NOAA udělala potom.

Co přesně NOAA spustila

V prosinci 2025 oznámila NOAA tři nové operativní modely, které vznikly v rámci iniciativy Project EAGLE:

• AIGFS — AI obdoba vlajkového modelu GFS. Jeden šestnáctidenní běh spotřebuje 0,3 % výpočetních zdrojů operativního GFS a trvá přibližně 40 minut. U dlouhých horizontů výrazně snižuje chybu v předpovědi dráhy tropických cyklón.
• AIGEFS — AI ansámbl s 31 členy, který místo jedné předpovědi generuje rozptyl možných scénářů. Potřebuje 9 % výpočetního výkonu klasického GEFS a podle prvních výsledků prodlužuje užitečný horizont předpovědi o dalších 18 až 24 hodin.
• HGEFS — hybridní „grand ensemble“ o 62 členech, který spojuje 31 členů fyzikálního GEFS s 31 členy AI modelu AIGEFS.

Ten třetí je ta pointa. Podle NOAA jde o první operativní hybridní fyzikálně-AI ansámbl na světě a napříč většinou hlavních verifikačních metrik konzistentně překonává jak čistě AI, tak čistě fyzikální systém. Ne jeden z nich. Oba.

Proč hybrid poráží obě čisté varianty

Vysvětlení je nečekaně prozaické a dá se přenést skoro kamkoli. Fyzikální model počítá rovnice atmosféry od aktuálního stavu dopředu. AI model se místo toho naučil vztahy mezi tlakem, větrem a teplotou z desítek let historických reanalýz a budoucí stav odhaduje z naučených vzorců.

Protože oba pracují jinak, dělají jiné chyby. Wallace Hogsett, Science Operations Officer amerického Národního hurikánového centra, to v Q&A pro NOAA shrnul tak, že právě různé typy chyb jsou pro předpovědníky cenné — pomáhají zachytit skutečný rozsah nejistoty. Když dvě nezávislé metody ukážou stejný výsledek, je to silný signál. Když se rozejdou, je to varování, které jeden model sám o sobě nedokáže vyslat.

Mimochodem, samotný AI model NOAA nestavěla na zelené louce. Jako základ použila GraphCast od Google DeepMind a dotrénovala ho na vlastních analýzách z Global Data Assimilation System. Teprve to zvedlo přesnost na úroveň, se kterou se dalo jít do provozu.

Kde AI naopak zaostává

Tahle část se v nadšených titulcích většinou ztratí, a přitom je nejpoučnější. NOAA sama u verze 1.0 přiznává zhoršení předpovědi intenzity tropických cyklón — dráhu model trefuje lépe, sílu hůř. Na otázku, jestli AI nahradí lidské předpovědníky, odpovídá NHC podle vlastních slov „rezolutním ne“: žádný model není dokonalý a bez expertů, kteří výstupy průběžně vyhodnocují a převádějí do srozumitelného sdělení o riziku, by byly životy a majetek ve větším ohrožení.

Jinými slovy: instituce, která má na AI předpovědích doslova existenční zájem, ji nasadila jako další nástroj v kufru, ne jako náhradu za to, co fungovalo.

Co si z toho může odnést běžná firma

Nasazení globálního meteorologického modelu asi ve vaší firmě řešit nebudete. Vzorec za tím rozhodnutím je ale přenositelný:

1. Nejdřív ověřte, pak nasaďte. NHC strávilo roky 2024 a 2025 testováním a budováním důvěry v nové modely, než je pustilo do rozhodování. Dvě sezóny na verifikaci, ne dva týdny.
2. Nevyhazujte funkční systém. Nejlepší výsledek nepřinesla AI místo staré technologie, ale AI vedle ní. To je u firemních procesů — schvalování faktur, kontrola smluv, třídění poptávek — stejně platné.
3. Nestavte základový model sami. NOAA vzala hotový model od DeepMind a dotrénovala ho na svých datech. Hodnota byla v datech, ne v architektuře.
4. Levnější výpočet mění to, co si můžete dovolit. Když jedna předpověď stojí 0,3 % původní ceny, můžete jich spustit tisíce a získat něco kvalitativně jiného — rozdělení pravděpodobností místo jednoho čísla. Úspora nákladů tu není cílem, je to vedlejší efekt, který otevřel novou schopnost.

Ten čtvrtý bod je podle nás nejpodceňovanější. Většina firem se na AI dívá jako na způsob, jak udělat stávající práci levněji. Zajímavější otázka zní: co byste dělali jinak, kdyby konkrétní úkon stál zlomek dnešní ceny?

Pokud si nejste jistí, kde ve vaší firmě takový úkon leží, projdeme to s vámi krok za krokem — AI poradenství od Praxia začíná nezávaznou konzultací a nezávislým pohledem, který není vázaný na jednoho dodavatele. Přehled reálných nasazení najdete i v sekci AI v praxi.

Nejčastější otázky

Nahradí AI modely klasickou numerickou předpověď počasí?

Zatím ne. NOAA nejlepších výsledků dosáhla kombinací obou přístupů — hybridní ansámbl HGEFS překonává jak čistě AI, tak čistě fyzikální systém. AI modely navíc u verze 1.0 zaostávají v předpovědi intenzity tropických cyklón.

O kolik jsou AI modely počasí levnější?

Model AIGFS spotřebuje na jeden šestnáctidenní běh 0,3 % výpočetních zdrojů operativního GFS, tedy o 99,7 % méně, a doběhne za zhruba 40 minut. AI ansámbl AIGEFS potřebuje 9 % zdrojů klasického GEFS.

Na čem jsou AI modely počasí trénované?

Na takzvaných reanalýzách — rozsáhlých globálních datových sadách, které skládají historická pozorování za desítky let. NOAA vyšla z modelu GraphCast od Google DeepMind a dotrénovala ho na svých analýzách z Global Data Assimilation System.

Zdroje: NOAA — NOAA deploys new generation of AI-driven global weather models, National Weather Service — AI in Hurricane Forecasting at the National Hurricane Center (Q&A s Wallacem Hogsettem)