Новости

Примечание редактора: Луи будет руководить редакционным круглым столом по этой теме на VB Transform в этом месяце. Зарегистрируйтесь сегодня.

Модели ИИ находятся в осаде. В связи с тем, что 77% предприятий уже пострадали от состязательных модельных атак, и 41% этих атак, использующих быстрые инъекции и отравление данных, торговые виды злоумышленников опережают существующую киберзащиту.

Чтобы изменить эту тенденцию, очень важно переосмыслить, как безопасность интегрируется в модели, которые строятся сегодня. Команды DevOps должны перейти от реактивной защиты к непрерывным состязательным тестированию на каждом этапе.

Красная команда должна быть основной

Защита больших языковых моделей (LLMS) в циклах DevOps требует красной команды в качестве основного компонента процесса создания модели. Вместо того, чтобы рассматривать безопасность как окончательное препятствие, которое типично в трубопроводах веб -приложений, непрерывное состязательное тестирование должно быть интегрировано в каждый этап жизненного цикла разработки программного обеспечения (SDLC).

Принятие более интегративного подхода к основам DevSecops становится необходимым для смягчения растущих рисков быстрых инъекций, отравления данных и воздействия конфиденциальных данных. Тяжелые атаки, подобные этим, становятся более распространенными, происходящими от дизайна модели до развертывания, что делает постоянный мониторинг.

Недавнее руководство Microsoft о Планирование Red Teaming для крупных языковых моделей (LLMS) и их приложений обеспечивает ценную методологию для запуска интегрированный процесс. Структура управления рисками NIST укрепляет это, подчеркивая необходимость более проактивного, длительного жизненного цикла подхода к состязательному тестированию и снижению рисков. Недавняя красная команда Microsoft из более чем 100 генеративных продуктов искусственного интеллекта подчеркивает необходимость интеграции автоматического обнаружения угроз с экспертным надзором на протяжении всей разработки моделей.

В качестве нормативных рамках, таких как Закон о искусственном интеллекте ЕС, мандат строгих состязательных испытаний, интеграция непрерывного красного команды обеспечивает соблюдение и повышение безопасности.

Подход Openai к Red Teaming объединяет внешнюю Red Teaming от раннего дизайна посредством развертывания, подтверждая, что последовательное, превентивное тестирование безопасности имеет решающее значение для успеха разработки LLM.

Почему традиционная киберзащита терпит неудачу против ИИ

Традиционные, давние подходы кибербезопасности не справляются с угрозами, основанными на искусственном интеллекте, потому что они принципиально отличаются от обычных атак. Поскольку торговые обязательства противников превосходят традиционные подходы, необходимы новые методы для красной команды. Вот образец множества типов торговых точек, специально созданных для атаки моделей ИИ на протяжении всего циклов DevOps и один раз в дикой природе:

• Отравление данных: Противники вводят поврежденные данные в обучающие наборы, заставляя модели неправильно учиться и создавать постоянные неточности и эксплуатационные ошибки, пока они не будут обнаружены. Это часто подрывает доверие к решениям, основанным на искусственном интеллекте.
• Уклонение от модели: Стрядители вводят тщательно продуманные, тонкие входные изменения, позволяя вредоносным данным проскользнуть в прошлые системы обнаружения, используя неотъемлемые ограничения статических правил и контроля безопасности на основе шаблонов.
• Модель инверсия: Систематические запросы против моделей искусственного интеллекта позволяют противникам извлекать конфиденциальную информацию, потенциально разоблачая конфиденциальные или запатентованные данные обучения и создавая постоянные риски конфиденциальности.
• Оперативная инъекция: Стрядители создают входные данные, специально разработанные для того, чтобы обмануть генеративный ИИ в обход гарантий, давая вредные или несанкционированные результаты.
• Пограничные риски с двойным использованием: In the recent paper, Benchmark Early and Red Team Often: A Framework for Assessing and Managing Dual-Use Hazards of AI Foundation Models, researchers from The Center for Long-Term Cybersecurity at the University of California, Berkeley emphasize that advanced AI models significantly lower barriers, enabling non-experts to carry out sophisticated cyberattacks, chemical threats, or other complex exploits, fundamentally reshaping the global threat landscape and усиление воздействия риска.

Интегрированные операции машинного обучения (MLOPS) дополнительно усугубляют эти риски, угрозы и уязвимости. Взаимосвязанный характер LLM и более широкие трубопроводы по развитию ИИ увеличивает эти поверхности атаки, требуя улучшения в красной команде.

Лидеры кибербезопасности все чаще принимают непрерывное состязательное тестирование, чтобы противостоять этим возникающим угрозам ИИ. Структурные упражнения с красной командой в настоящее время необходимы, реалистично имитируя атаки, ориентированные на AI, чтобы раскрыть скрытые уязвимости и закрыть пробелы в безопасности, прежде чем злоумышленники смогут их использовать.

Как лидеры ИИ остаются впереди нападавших с красной командой

Стчания продолжают ускорять использование ИИ для создания совершенно новых форм торговли, которые бросают вызов существующей традиционной киберзащите. Их цель — использовать как можно больше новых уязвимостей.

Лидеры отрасли, в том числе основные компании по искусственному искусству, ответили, внедрив систематические и сложные стратегии красного вручения в основе их безопасности ИИ. Вместо того, чтобы рассматривать Red Teaming как случайную проверку, они развертывают непрерывное состязательное тестирование, объединяя экспертные взгляды человека, дисциплинированную автоматизацию и итеративные оценки человека в среднем уровне, чтобы раскрыть и уменьшить угрозы, прежде чем злоумышленники смогут активно использовать их.

Их строгие методологии позволяют им выявлять слабые стороны и систематически укрепить свои модели против развивающихся реальных состязательных сценариев.

Конкретно:

• Антропический полагается на строгое человеческое понимание как часть своей постоянной методологии красного команды. Благодаря тесной интеграции оценок человека в петле с автоматизированными состязательными атаками, компания активно идентифицирует уязвимости и постоянно совершенствует надежность, точность и интерпретацию своих моделей.

• Мета масштабирует безопасность модели ИИ с помощью автоматизации-первого состязательного тестирования. Его многоуровневая автоматическая красная команда (MART) систематически генерирует итеративные состязательные подсказки, быстро раскрывая скрытые уязвимости и эффективно сузить векторы атаки в широком распространении развертывания AI.

• Microsoft использует междисциплинарное сотрудничество в качестве ядра своей силы красной команды. Используя свой инструмент для идентификации риска Python (PYRIT), Microsoft Bridges Cybersecurity Expertize и расширенная аналитика с дисциплинированной валидацией человека в среднем уровне, ускорение обнаружения уязвимости и предоставление подробного действующего интеллекта для укрепления модели устойчивости.

• Openai Taps Global Security Encurise, чтобы укреплять защиту искусственного интеллекта в масштабе. Комбинируя понимание внешних специалистов по безопасности с автоматизированными состязательными оценками и строгими циклами проверки человека, OpenAI активно рассматривает сложные угрозы, специально предназначенные для уязвимостей дезинформации и уязвимостей в инъекции быстрого инъекции для поддержания надежной производительности модели.

Короче говоря, лидеры ИИ знают, что оставаться впереди злоумышленников требует постоянной и упреждающей бдительности. Внедряя структурированный человеческий надзор, дисциплинированную автоматизацию и итеративную утонченность в свои стратегии красного команды, эти лидеры отрасли установили стандарт и определяют пьесу для устойчивого и заслуживающего доверия ИИ в масштабе.

Пять стратегий для немедленного укрепления безопасности ИИ

Поскольку атаки на модели LLMS и ИИ продолжают быстро развиваться, команды DevOps и DevSecops должны координировать свои усилия по решению проблемы повышения безопасности ИИ. VentureBeat находит следующие пять высокоэффективных стратегий, которые лидеры безопасности могут сразу же реализовать:

1. Интегрировать безопасность рано (антроп, Openai)
   Создайте состязательный тестирование непосредственно в начальный дизайн модели и на протяжении всего жизненного цикла. Поймать уязвимости досрочно снижает риски, сбои и будущие затраты.

• Развернуть адаптивный мониторинг в реальном времени (Microsoft)
  Статическая защита не может защитить системы ИИ от передовых угроз. Используйте непрерывные инструменты, управляемые AI, такие как кибераллинг для быстрого обнаружения и реагирования на тонкие аномалии, сводя к минимуму окно эксплуатации.

• Автоматизация баланса с человеческим суждением (Meta, Microsoft)
  Чистая автоматизация пропускает нюанс; Одно только ручное тестирование не будет масштабироваться. Объедините автоматическое состязательное тестирование и сканирование уязвимости с экспертным анализом человека, чтобы обеспечить точную, действенную информацию.

• Регулярно участвовать в внешних красных командах (OpenAI)
  Внутренние команды развивают слепые пятна. Периодические внешние оценки выявляют скрытые уязвимости, независимо подтверждают вашу защиту и способствуют постоянному улучшению.

• Поддерживать динамическую интеллектуальность угроз (Meta, Microsoft, Openai)
  Злоумышленники постоянно развивают тактику. Непрерывно интегрируйте интеллект угроз в режиме реального времени, автоматический анализ и экспертную информацию для упорства и укрепления вашей оборонительной позиции.

Взятые вместе, эти стратегии гарантируют, что рабочие процессы DevOps остаются устойчивыми и безопасными, оставаясь впереди развивающихся состязательных угроз.

Красная команда больше не является необязательной; это важно

Угрозы ИИ стали слишком сложными и частыми, чтобы полагаться исключительно на традиционные, реактивные подходы кибербезопасности. Чтобы оставаться впереди, организации должны постоянно и активно внедрять состязательные испытания в каждую стадию разработки модели. Сбалансируя автоматизацию с человеческим опытом и динамически адаптируя их защиту, ведущие поставщики ИИ доказывают, что надежная безопасность и инновации могут сосуществовать.

В конечном счете, Red Teaming — это не только защита моделей ИИ. Речь идет о обеспечении доверия, устойчивости и уверенности в будущем, все более формированном ИИ.

Присоединяйтесь ко мне в Transform 2025

Я буду принимать два круглых стола, ориентированных на кибербезопасность, в Venturebeat’s Transform 2025, который состоится 24–25 июня в Форт Мейсон в Сан-Франциско. Зарегистрируйтесь, чтобы присоединиться к разговору.

Моя сессия будет включать в себя один на Red Teaming, AI Red Teaming и состязательное тестированиепогружение в стратегии для тестирования и укрепления решений кибербезопасности, управляемых искусственным интеллектом, против сложных состязательных угроз.

В то время как крупные языковые модели (LLMS) освоили текст (и другие модальности в некоторой степени), им не хватает физического «здравого смысла» для работы в динамичных, реальных средах. Это ограничило развертывание ИИ в таких областях, как производство и логистика, где понимание причины и следствия имеют решающее значение.

Последняя модель Meta, V-JEPA 2, делает шаг к преодолению этого разрыва, изучая мировую модель из видео и физических взаимодействий.

V-JEPA 2 может помочь создать приложения для искусственного интеллекта, которые требуют прогнозирования результатов и действий по планированию в непредсказуемых условиях со многими случаями. Этот подход может обеспечить четкий путь к более способным роботам и расширенной автоматизации в физической среде.

Как «мировая модель» учится планировать

Люди развивают физическую интуицию в раннем возрасте, наблюдая за их окружением. Если вы видите брошенный мяч, вы инстинктивно знаете его траекторию и можете предсказать, где он приземлится. V-JEPA 2 изучает аналогичную «мировую модель», которая представляет собой внутреннее моделирование системы ИИ о том, как работает физический мир.

Модель построена на трех основных возможностях, которые необходимы для предпринимаемых приложений: понимание того, что происходит в сцене, прогнозируя, как сцена будет изменяться в зависимости от действия, и планирование последовательности действий для достижения определенной цели. Как заявляет Meta в своем блоге, его «долгосрочное видение заключается в том, что мировые модели позволят агентам ИИ планировать и разум в физическом мире».

Архитектура модели, называемая предсказательной архитектурой, встроенной видео, состоит из двух ключевых частей. «Энкодер» смотрит видеоклип и конденсирует его в компактное числовое резюме, известное как внедрение. Это вкладывание отражает важную информацию об объектах и ​​их отношениях на сцене. Второй компонент, «предиктор», затем принимает это резюме и представляет, как будет развиваться сцена, генерируя предсказание того, как будет выглядеть следующее резюме.

Эта архитектура является последней эволюцией Framework JEPA, которая впервые была применена к изображениям с I-JEPA, и теперь продвигается к видео, демонстрируя последовательный подход к созданию мировых моделей.

В отличие от генеративных моделей искусственного интеллекта, которые пытаются предсказать точный цвет каждого пикселя в будущем кадре-вычислительно интенсивная задача-V-JEPA 2 работает в абстрактном пространстве. Он фокусируется на прогнозировании высокоуровневых функций сцены, таких как позиция и траектория объекта, а не на ее текстуру или фоновые детали, что делает ее гораздо более эффективной, чем другие более крупные модели с 1,2 миллиарда параметров.

Это приводит к снижению вычислительных затрат и делает его более подходящим для развертывания в реальных условиях.

Учиться на наблюдениях и действиях

V-JEPA 2 обучается на двух этапах. Во-первых, он создает свое основополагающее понимание физики посредством самоотверженного обучения, наблюдая за более чем миллион часов немеченых интернет-видео. Просто наблюдая, как объекты движутся и взаимодействуют, он разрабатывает мировую модель общего назначения без какого-либо человеческого руководства.

На втором этапе эта предварительно обученная модель точно настроена на небольшом специализированном наборе данных. Обработка всего 62 часа видео, показывающего задачи, выполняющие робота, наряду с соответствующими командами управления, V-JEPA 2 учится подключать конкретные действия к своим физическим результатам. Это приводит к модели, которая может планировать и контролировать действия в реальном мире.

Это двухэтапное обучение обеспечивает критическую возможность для реальной автоматизации: планирование роботов с нулевым выстрелом. Робот, основанный на V-JEPA 2, может быть развернут в новой среде и успешно манипулировать объектами, с которыми он никогда не сталкивался раньше, без необходимости переподготовки для этой конкретной обстановки.

Это значительный прогресс по сравнению с предыдущими моделями, которые требовали учебных данных точный Робот и окружающая среда, где они будут работать. Модель была обучена набору данных с открытым исходным кодом, а затем успешно развернута на разных роботах в Meta’s Labs.

Например, для выполнения задачи, подобной подборке объекта, роботу дается целевой образ желаемого результата. Затем он использует предиктор V-JEPA 2, чтобы внутренне моделировать диапазон возможных следующих движений. Он оценивает каждое воображаемое действие, основываясь на том, насколько близко оно приближается к цели, выполняет максимальное рейтинг и повторяет процесс, пока задача не будет завершена.

Используя этот метод, модель достигла показателей успеха от 65% до 80% по задачам выбора и места с незнакомыми объектами в новых настройках.

Реальное влияние физических рассуждений

Эта способность планировать и действовать в новых ситуациях имеет прямые последствия для бизнес -операций. В логистике и производстве он позволяет создавать более адаптируемые роботы, которые могут обрабатывать изменения в продуктах и ​​складах без обширного перепрограммирования. Это может быть особенно полезно, поскольку компании изучают развертывание гуманоидных роботов на фабриках и сборочных линиях.

Та же мировая модель может привести к модели очень реалистичных цифровых близнецов, позволяя компаниям моделировать новые процессы или обучать других ИИ в физически точной виртуальной среде. В промышленных условиях модель может отслеживать видеопроводы машин и, основываясь на его изученном понимании физики, предсказывают проблемы безопасности и неудачи, прежде чем они произойдут.

Это исследование является ключевым шагом к тому, что Meta Calls «Advanced Machine Intelligence (AMI)», где системы ИИ могут «узнать о мире, как это делают люди, планировать, как выполнять незнакомые задачи и эффективно адаптироваться к постоянно меняющемуся миру вокруг нас».

Meta выпустила модель и свою учебную код и надеется «построить широкое сообщество вокруг этого исследования, продвигая прогресс к нашей конечной цели разработки мировых моделей, которые могут трансформировать способ взаимодействия ИИ с физическим миром».

Что это значит для тех, кто принимает технические решения предприятия

V-JEPA 2 приближает робототехнику ближе к программной модели, которую облачные команды уже распознают: перед поездкой один раз, развертывание в любом месте. Поскольку модель изучает общую физику из публичного видео и нуждается в нескольких десятках часов кадров, специфичных для задачи, предприятия могут сократить цикл сбора данных, который обычно затягивает пилотные проекты. С практической точки зрения вы можете прототип робота с выбора и места на доступном настольном руке, а затем набрать ту же политику на промышленную установку на заводском этаже, не собирая тысячи свежих образцов или написав пользовательские сценарии движения.

Более низкие накладные расходы также изменяют уравнение стоимости. При 1,2 млрд. Параметров V-JEPA 2 удобно вписывается в один высококачественный графический процессор, а его абстрактные цели прогнозирования снижают нагрузку на выводы. Это позволяет командам запускать управление с закрытым контуром или на краю, избегая задержки облака и головных болей в соответствии с потоковым видео за пределами завода. Бюджет, который когда -то пошел на массовые вычислительные кластеры, может вместо этого финансировать дополнительные датчики, избыточность или более быстрые циклы итерации.

Tensorwave, лидер в AMD-инфраструктурных решениях, сегодня объявил о развертывании AMD Instinct Mi355x графических процессоров на своей высокопроизводительной облачной платформе.

Будучи одним из первых облачных поставщиков, которые вывели на рынок AMD Instinct Mi355x, Tensorwave позволяет клиентам разблокировать производительность следующего уровня для наиболее требовательных рабочих нагрузок ИИ-все с непревзойденными белыми перчатками и поддержкой.

Новый GPU AMD Instinct MI355X построен на архитектуре кДНК AMD 4-го поколения и оснащена 288 ГБ памяти HBM3E и пропускной способности памяти 8TB/S, оптимизированные для генеративного обучения, вывода и высокопроизводительных вычислений (HPC).

Раннее принятие Tensorwave позволяет своим клиентам извлечь выгоду из компактной, масштабируемой дизайна и передовой архитектуры MI355X, обеспечивая вычислительную вычислительную инфраструктуру высокой плотности с расширенной инфраструктурой охлаждения в масштабе.

«Глубокая специализация TensorWave в технологии AMD делает нас очень оптимизированной средой для рабочих нагрузок в области ИИ следующего поколения»,-говорится в заявлении Piotr Tomasik, президента TensorWave. «В ближайшее время, когда инстинкт MI325X, который теперь будет развернут в нашем облаке и Instinct MI355X, мы позволяем стартапам и предприятиям достичь до 25% повышения эффективности и 40% снижения затрат, результаты, которые мы уже видели, с клиентами, использующими нашу инфраструктуру с AMD».

Эксклюзивное использование TensorWave AMD-графических процессоров предоставляет клиентам открытый оптимизированный программный стек AI, работающий AMD ROCM, избегая блокировки поставщиков и снижая общую стоимость владения. Его сосредоточение на масштабируемости, разработчике-первых взиманиях и SLAS предприятия делает его партнером для организаций, приоритетных производительности и выбора.

«AMD Instinct MI350 -серии графических процессоров обеспечивают прорывные результаты для самых требовательных рабочих нагрузок AI и HPC», — говорится в заявлении Трэвиса Карра, корпоративного вице -президента по развитию бизнеса, GPU Data Center Business, AMD. «Портфолио AMD Instinct вместе с нашей программной экосистемой ROCM Open, позволяет клиентам разрабатывать передовые платформы, которые питают генеративные ИИ, научное обнаружение, управляемое ИИ, и высокопроизводительные вычислительные приложения».

Tensorwave также в настоящее время строит самый большой AMD-специфический кластер AI в Северной Америке, что продвигает свою миссию по демократизации доступа к высокопроизводительным вычислительным выборам. Предоставляя сквозную поддержку для рабочих нагрузок ИИ на основе AMD, TensorWave дает клиентам плавный переход, оптимизацию и масштабирование в открытой и быстро развивающейся экосистеме.

Для получения дополнительной информации, пожалуйста, посетите:

В четверг Google DeepMind объявил, что, по его утверждению, является основным прорывом в прогнозировании ураганов, внедряя систему искусственного интеллекта, которая может предсказать как путь, так и интенсивность тропических циклонов с беспрецедентной точностью — давняя проблема, которая ускользнула от традиционных моделей погоды на протяжении десятилетий.

Компания запустила Weather Lab, интерактивную платформу, демонстрирующую свою экспериментальную модель прогнозирования циклонов, которая генерирует 50 возможных сценариев шторма до 15 дней. Что еще более важно, DeepMind объявил о партнерстве с Национальным центром ураганов США, отметив первый раз, когда федеральное агентство будет включать экспериментальные прогнозы искусственного интеллекта в свой операционный рабочий процесс.

«Мы представляем три разных вещах», — сказал Ферран Алет, научный сотрудник Deepmind, возглавляющий проект, во время брифинга прессы в среду. «Первая — это новая экспериментальная модель, адаптированная специально для циклонов. Второй, мы рады объявить о партнерстве с Национальным центром ураганов, который позволяет опытным человеческим прогнозам видеть наши прогнозы в режиме реального времени».

Объявление знаменует собой критический момент в применении искусственного интеллекта к прогнозированию погоды, область, где модели машинного обучения быстро приобретают основу для традиционных физических систем. Тропические циклоны, которые включают ураганы, тайфуны и циклоны, за последние 50 лет привели к экономическим потерям 1,4 триллиона долларов, что сделало точное предсказание вопросом жизни и смерти для миллионов в уязвимых прибрежных регионах.

Почему традиционные погодные модели борются как с штормовым путем, так и с интенсивностью

Прорыв рассматривает фундаментальное ограничение в текущих методах прогнозирования. Традиционные погодные модели сталкиваются с резким компромиссом: глобальные, модели с низким разрешением преуспевают в прогнозировании того, куда пойдут штормы, захватывая обширные атмосферные модели, в то время как региональные модели с высоким разрешением лучше прогнозируют интенсивность шторма, сосредоточив внимание на турбулентных процессах в ядре шторма.

«Сделать прогнозы тропических циклонов сложно, потому что мы пытаемся предсказать две разные вещи», — объяснил Алек. «Первый — это прогноз трека, так куда пойдет циклон? Второй — прогноз интенсивности, насколько силен циклон?»

Экспериментальная модель DeepMind утверждает, что решить обе проблемы одновременно. Во внутренних оценках после национальных протоколов Центра ураганов система ИИ продемонстрировала существенные улучшения по сравнению с существующими методами. Для прогноза трека пятидневные прогнозы модели были в среднем на 140 километров ближе к фактическим позициям шторма, чем ENS, ведущая модель европейской физики.

Более примечательно, что система превзошла анализ ураганов NOAA и систему прогнозов (HAF) по прогнозированию интенсивности — область, где модели ИИ исторически боролись. «Это первая модель искусственного интеллекта, которую мы теперь очень умеют, а также очень искусна по интенсивности тропических циклонов», — отметил Алет.

Как прогнозы искусственного интеллекта побеждают традиционные модели на скорости и эффективности

Помимо улучшений точности, система ИИ демонстрирует значительный рост эффективности. В то время как традиционные физические модели могут занять часы, чтобы генерировать прогнозы, модель DeepMind дает 15-дневные прогнозы примерно за одну минуту на одном специализированном компьютерном чипе.

«Наша вероятностная модель сейчас даже быстрее, чем предыдущая», — сказал Алет. «Наша новая модель, как мы считаем, вероятно, около одной минуты» по сравнению с восьми минут, необходимыми предыдущей погодой DeepMind.

Это преимущество в скорости позволяет системе соблюдать жесткие сроки работы. Том Андерсон, инженер -исследователь в команде DeepMind AI, пояснил, что Национальный центр ураганов специально запросится, что прогнозы будут доступны в течение шести с половиной часов сбора данных — цель, которую система ИИ теперь достигает предварительного графика.

Партнерство по национальному урагану Центр ставит в тест прогнозирование погоды ИИ

Партнерство с Национальным центром ураганов в основном подтверждает прогнозирование погоды ИИ. Кит Батталья, старший директор, ведущий погодную команду DeepMind, описал сотрудничество как развитие от неформальных разговоров к более официальному партнерству, позволяющим прогнозам интегрировать прогнозы искусственного интеллекта с традиционными методами.

«Тогда это было не официальное партнерство, это был просто более случайный разговор», — сказала Батталья о ранних дискуссиях, которые начались около 18 месяцев назад. «Теперь мы как бы работаем над тем более официальным партнерством, которое позволяет нам передать им модели, которые мы строим, и тогда они могут решить, как использовать их в своем официальном руководстве».

Время оказалось решающим, с 2025 -м сезоном ураганов Атлантического урагана. Синоптики центров ураганов увидят живые прогнозы ИИ наряду с традиционными физическими моделями и наблюдениями, что потенциально повышает точность прогноза и обеспечивая более ранние предупреждения.

Доктор Кейт Масгрейв, научный сотрудник Кооперативного института исследований в атмосфере в Университете штата Колорадо, независимо от того, что DeepMind модели. Она обнаружила, что это демонстрирует «сопоставимые или большие навыки, чем лучшие операционные модели для трека и интенсивности», по словам компании. Масгрейв заявила, что она «с нетерпением ждет возможности подтвердить эти результаты прогнозов в режиме реального времени во время сезона ураганов 2025 года».

Данные обучения и технические инновации, стоящие за прорывом

Эффективность модели ИИ связана с его обучением на двух отдельных наборах данных: обширные данные повторного анализа, реконструирующие глобальные погодные условия от миллионов наблюдений, и специализированную базу данных, содержащую подробную информацию о почти 5000 наблюдаемых циклонов за последние 45 лет.

Этот двойной подход является отходом от предыдущих моделей погоды ИИ, которые были сосредоточены в основном на общих атмосферных условиях. «Мы тренируемся по конкретным циклонам данных», — пояснил Алет. «Мы тренируемся на IBTRACS и других типах данных. Таким образом, IBTRACS обеспечивает широту и долготу, интенсивность и радиусы ветра для нескольких циклонов, до 5000 циклонов за последние 30-40 лет».

Система также включает в себя последние достижения в вероятностном моделировании через то, что DeepMind вызывает функциональные генеративные сети (FGN), подробно описанные в исследовательской статье, выпущенной вместе с объявлением. Этот подход генерирует прогнозируемые ансамбли, обучаясь нарушать параметры модели, создавая более структурированные вариации, чем предыдущие методы.

Прошлые прогнозы урагана показывают обещание для систем раннего предупреждения

Weather Lab запускает более двух лет исторических прогнозов, что позволяет экспертам оценивать производительность модели во всех бассейнах океана. Андерсон продемонстрировал возможности системы с использованием урагана Берил с 2024 года и печально известного урагана Otis с 2023 года.

Ураган Отис оказался особенно значимым, потому что он быстро усилился, прежде чем ударить Мексику, заставая многих традиционных моделей врасплох. «Многие из моделей предсказывали, что шторм останется относительно слабым на протяжении всей жизни», — пояснил Андерсон. Когда DeepMind показал этот пример национальным синопторам центра ураганов, «они сказали, что наша модель, вероятно, предоставила бы более ранний сигнал о потенциальном риске этого конкретного циклона, если бы они имели его в то время».

Что это значит для будущего прогнозирования погоды и адаптации климата

Развитие сигнализирует о растущем созревании искусственного интеллекта в прогнозировании погоды, после недавних прорывов с помощью графической камеры DeepMind и других моделей погоды искусственного интеллекта, которые начали превосходить традиционные системы в различных показателях.

«Я думаю, что для довольно рано, вы знаете, в первые несколько лет мы в основном сосредотачивались на научных статьях и исследованиях исследований», — подумала Батталья. «Но, вы знаете, как мы смогли показать, что эти системы машинного обучения конкурируют или даже превосходят, вид традиционных систем на основе физики, имеющие возможность вывести их из своего рода научного контекста в реальном мире, действительно захватывающе».

Партнерство с правительственными учреждениями является важным шагом к эксплуатационному развертыванию метеорологических систем ИИ. Тем не менее, DeepMind подчеркивает, что Weather Lab остается инструментом исследования, и пользователи должны продолжать полагаться на официальные метеорологические агентства для авторитетных прогнозов и предупреждений.

Компания планирует продолжать собирать обратную связь от погодных учреждений и аварийных служб для улучшения практических применений технологий. Поскольку изменение климата потенциально усиливает поведение тропического циклона, достижения в области точности прогнозирования могут оказаться все более жизненно важными для защиты уязвимых прибрежных популяций по всему миру.

«Мы думаем, что ИИ может предоставить здесь решение», — заключил Алет, ссылаясь на сложные взаимодействия, которые делают прогноз циклона таким сложным. С началом сезона ураганов 2025 года, реальное представление экспериментальной системы DeepMind вскоре столкнется с его окончательным тестом.