Kunstig intelligens, ekte beregninger og solide observasjoner

– Skyer! Jeg er opptatt av skyer. Jeg synes det er spennende at det går fra det helt mikroskopiske - til det enorme. Vår evne til å modellere skyene og deres rolle i klimasystemet er begrenset. Her er det mye vi ikke vet, sier Maura Dewey, seniorforsker ved CICERO Senter for klimaforskning.

Dewey er atmosfærefysiker, og forsker blant annet på hvordan maskinlæring kan brukes innenfor hennes forskningsfelt. Maskinlæring er et underfelt av kunstig intelligens (KI), hvor man bruker statistiske metoder for å la datamaskiner finne mønstre i store datamengder. Man sier at maskinen «lærer» i stedet for å bli programmert. (SNL)

Man kan også kalle det å "trene opp en modell". Dewey ser både muligheter og utfordringer ved bruk av KI innenfor klimaforskningen.

– Vi ser allerede at kunstig intelligens er tatt i bruk i værmeldinger, og det fungerer veldig bra. Det går raskere og bruker ikke nødvendigvis mer datakraft. De værmeldingene du får i dag, er ofte laget med en kombinasjon av tradisjonelle værmodeller og bruk av kunstig intelligens, sier hun.

Vær er som kjent ikke det samme som klima, det skal vi komme tilbake til.

Men først - hva mener vi egentlig når vi snakker om kunstig intelligens innenfor meteorologi, klima- og atmosfæreforskning? Mange av oss kjenner etter hvert til tjenester som Claude, ChatGPT og Copilot. Disse kan man prate med, be om å lage en sang, et dikt, et bilde, eller forklare et sakskompleks. Dewey forklarer at klimaforskernes KI ikke ser helt slik ut, men at de samtidig fungerer ganske likt. 

– I likhet med de store språkmodellene som ligger bak tjenester som Claude og ChatGPT, er modellene trent opp på enorme mengder data. Forskjellen ligger i hvilken type data de er trent på, sier Dewey.

Språkmodellene fra Anthropic og OpenAI, som er selskapene bak tjenestene Claude og ChatGPT, er trent opp på all verdens skriftlig og billedlig materiale, som er funnet både på internett, i aviser og i bøker. Disse modellene kan kjenne igjen rytmen i et modernistisk dikt, språkformen i en klassisk roman, penselføringen i et nasjonalromantisk bilde eller fargene i foto som er fremkalt fra en Kodachrome filmrull. Derfor kan modellene gjenskape versjoner av litteratur og kunst, basert på disse mønstrene.

– Modellene som brukes innenfor meteorologi er derimot trent opp på værdata, som vi etter hvert har veldig mye av. I motsetning til tradisjonelle værmodeller, som bruker datakraft til å matematisk regne ut hva det mest sannsynlige været blir, så leter kunstig intelligens etter mønstre: Hva vil vanligvis  skje når slike forhold oppstår på disse stedene? sier Dewey.

Resultatet blir en melding, som basert på hvordan forhold har utspilt seg tidligere, gir et forslag til hvordan været blir i nær framtid. Ifølge Dewey fungerer dette overraskende bra. Men de gode værmeldingene kommer med en liten hake.

– Man vet ikke nøyaktig hvordan modellen kom fram til svaret. Tradisjonelle værmeldinger bruker fysikkens lover, og er strengt tatt summen av flere kompliserte regnestykker. Disse kan man gå over i ettertid og dermed etterprøve svaret. Det er nesten umulig når man bruker kunstig intelligens. En kalkulator regner ut et svar, mens kunstig intelligens genererer det, sier Dewey.

At KI «genererer», vil si at modellen ikke bare analyserer data, men også lager nye – i form av tekst, bilder, lyd, kode eller video (SNL). Dette kalles generativ KI, og er ikke spesielt for den kunstige intelligensen som brukes av meteorologer eller andre forskere, det gjelder også for de fleste KI-tjenestene vi kjenner som forbrukere.

Når du ber Chatgpt lage en invitasjon til barnebursdag, så benytter du deg av generativ KI. Modellen analyserer hva som kjennetegner en bursdagsinvitasjon, og lager en ny utgave basert på det den finner. Men selv om ingeniørene i OpenAI vet hva modellen er trent på, så kan de ikke fortelle deg hvorfor eller hvordan den nye invitasjonen ble som den ble.

KI er altså formidabel til å gjenkjenne mønstre. Men hva om man forsker på framtiden? Om verden er blir 2 grader varmere i 2100, hvordan vil det se ut?

– Dette er en av utfordringene ved å bruke KI i klimaforskning. Konsekvensene av framtidas klimaendringer har ikke oppstått enda. Derfor finnes det ikke data som KI kan trene på, og finne mønster i, sier Dewey.

I en værmeldingsmodell kommer fasiten neste dag eller neste uke. Da kan man kalibrere og skru på modellen, helt til man får tilfredsstillende resultater. Det er vanskelig når fasiten er flere tiår fram i tid. I klimaframskrivinger vil fysikkens lover, og matematiske beregninger derfor fortsatt spille hovedrollen.

KI og maskinlæring er likevel nyttig for klimaforskerne, til å studere raske og lokale endringer, påpeker Dewey. Selv om klima defineres som gjennomsnittsværet over en 30-årsperiode, betyr ikke det at klimaforskere er uinteressert i endringer som skjer raskere enn dette. Klimaet påvirkes av gasser og partikler, fra både menneskelige og naturlige kilder, som har ulik levetid i atmosfæren.

Den kanskje mest kjente klimagassen, co₂, har lang levetid og varmer opp i hundrevis av år. Partikler derimot, har kort levetid, og mengden partikler i atmosfæren kan gi raske og lokale endringer. Begge deler er viktige for klima.

– Effekten av aerosoler er litt enklere å modellere med hjelp av kunstig intelligens og maskinlæring, fordi vi har gode data om deres klimaeffekt, forklarer Dewey.

Vi har flere observasjoner og data om partikler som plutselig kommer til, eller forsvinner fra atmosfæren. Dette skjer for eksempel ved store vulkanutbrudd, som det finnes flere dokumenterte eksempler på. Av sjeldnere hendelser, er COVID-19 pandemien, hvor biler ble stående og fabrikker stengte ned, som ga renere luft flere steder. Den direkte klimaeffekten av aerosoler er at de fungerer nedkjølende, ved at de slipper mindre sollys igjennom til bakken. Det betyr at regioner som raskt får renere luft, slik som har vært tilfelle i Kina, også kan oppleve å bli varmere.

– Samtidig har aerosoler en indirekte klimaeffekt, ved at de påvirker dannelsen av skyer. Og skyer kan ha både en oppvarmende og nedkjølende effekt på klimaet. Denne biten kjenner vi dårligere til. Klimasystemet er et kaotisk system hvor mange faktorer påvirker hverandre. Det er trege prosesser og raske prosesser, og ett verktøy kan ikke brukes til alt. Løsningen er ofte å bruke en kombinasjon av beregninger og kunstig intelligens, sier Dewey.