Команда Института AIRI и редакция «Компьютерры» продолжают совместную серию текстов о том, как наука и ИИ входят в повседневную жизнь. Во втором материале Константин Соболев, руководитель научной группы «Генеративный ИИ для видео» Лаборатории FusionBrain Института AIRI, рассказывает о том, как наука и технологии помогают точнее понимать окружающую среду, прогнозировать экологические риски и решать прикладные задачи на производстве.
Когда прогноз строит нейросеть
Утром перед выходом из дома многие по привычке открывают прогноз погоды: брать ли зонт, ждать ли жары и закладывать ли больше времени на дорогу. За этим привычным сервисом скрывается целая система. Традиционно прогноз строился на основе физических моделей атмосферы, например, суперкомпьютеры обрабатывали данные со спутников, радаров, метеостанций и по уравнениям рассчитывали, как будут развиваться процессы в атмосфере. Это процесс сложный, долгий и ресурсоемкий.
В последние годы к нему активно добавляются ИИ-инструменты. Такие решения активно внедряются на практике. Например, в 2025 году Европейский центр среднесрочных прогнозов погоды (ECMWF) ввел в эксплуатацию свою систему на основе ИИ. Подобные технологии помогают и метеорологам Гидрометцентра. В обоих случаях они не заменяют классические системы, а дополняют их.
В 2022 году Google представил модель GraphCast, которая предсказывает погоду на 10 дней вперед с высокой точностью менее чем за минуту. Здесь используется иной подход, и вместо того чтобы напрямую рассчитывать атмосферные процессы по физическим уравнениям, модель обучается на многолетних исторических данных о погоде и выявляет устойчивые закономерности.
GraphCast делает индивидуальные прогнозы для сегментов территории размером 0,25° долготы и широты — это около 28 x 28 км на экваторе. Речь идет более чем о миллионе точек сетки, покрывающих всю поверхность Земли. Чтобы получить прогноз на следующие шесть часов для любой из них, модели достаточно двух наборов данных: состояния погоды шесть часов назад и в данный момент. Такие инструменты особенно полезны там, где нужно быстро просчитать несколько сценариев и восполнить неполную картину данных — например, при пропущенных измерениях, когда датчики временно не работали или появились слепые зоны между точками наблюдения.
В 2023 году была представлена GenCast — вероятностная модель прогноза погоды, работающая на основе генеративного диффузионного процесса, которая формирует глобальные 15-дневные прогнозы быстрее и точнее, чем ведущая оперативная система ECMWF ENS. Модель обучена на многолетних данных реанализа и за 8 минут строит прогнозы для более чем 80 атмосферных и поверхностных переменных с разрешением 0,25°.
В России также появляются собственные разработки в этом направлении. Наш Институт [пояснение от редакции — AIRI] разработал первую в мире генеративную модель для предсказания климатических рисков — Marchuk, названную в честь советского математика Гурия Марчука. Она предназначена для построения субсезонных прогнозов на 15–30 дней, при этом содержит всего 276 миллионов параметров и выполняет расчеты за 7,5 минуты на одной графической карте. Для построения прогноза Marchuk достаточно одного дня контекста, а за один прогон она генерирует данные на срок до восьми дней вперед, создавая от 4 до 48 итоговых погодных карт.
Одновременно был разработан ИИ-метеоролог — система, которая преобразует погодные прогнозы в текстовые отчеты. Она анализирует метеоданные сразу на трех временных масштабах — почасовом, шестичасовом и суточном — и формирует единое объяснение погодных явлений с автоматической проверкой. Такие решения важны не только для ускорения расчетов, но и для того, чтобы сделать результаты прогнозирования более понятными и удобными для практического использования.
Похожим образом ИИ сегодня используется и в задачах экомониторинга. Так, в НИУ ВШЭ разработали систему прогнозирования пространственного распределения вредных веществ в атмосферном воздухе. Она работает с данными станций контроля качества воздуха, учитывает погодные условия и позволяет оценивать, как будет перемещаться выброс, а также умеет находить его вероятный источник.
Та же логика работает и в других экологических задачах города. В том числе ИИ помогает анализировать такие эффекты, как тепловые острова и шумовая нагрузка. В обоих случаях речь идет о неравномерно распределенных факторах: где-то город перегревается сильнее из-за плотной застройки и нехватки зелени, где-то выше уровень шума из-за транспортных потоков и особенностей планировки. Модели позволяют увидеть эти паттерны, определить зоны риска и понять, где изменения в городской среде дадут наибольший эффект.
На примере Парижа исследователи уже показывали, как ИИ-модели помогают точнее описывать эффект городского перегрева и могут использоваться для задач климатической адаптации. А в бельгийском Генке Nokia организовала ИИ-мониторинг шума от транспорта с расположенных вдоль дорог камер и микрофонов. Здесь важно отметить, что точность таких систем зависит не только от самой модели, но и корректного дизайна мониторинга — где именно стоят датчики и покрывают ли они нужную территорию, достаточно ли часто собираются данные, как они интерпретируются с учетом контекста. Иначе даже большой массив наблюдений может приводить к некорректным выводам.
От экологии города к производству
Подобные подходы работают и на уровне отдельных предприятий, логистических цепочек и производственных площадок. Если в городской среде ИИ помогает увидеть, где формируются перегрев, загрязнение или шум, то в бизнесе — заранее заметить риск, просчитать несколько сценариев и принять решение до того, как проблема скажется на поставках, выпуске продукции или приведет к росту себестоимости. Есть четыре подобных сценария.
1. Прогнозирование спроса с учетом погоды
Для ритейла и производителей сезонных товаров погода является важным фактором спроса. Волны жары, похолодания или затяжные осадки меняют продажи техники, напитков, сезонной одежды и других категорий. Поэтому прогнозы используют для планирования запасов и поставок: заранее поднять объемы по вентиляторам и кондиционерам перед жарой, а не реагировать на всплеск спроса постфактум. Эти же данные можно использовать для планирования рекламных кампаний.
2. Планирование логистики с опорой на погодные сценарии
В автотранспортной и железнодорожной инфраструктуре погода влияет на возможность безопасно и стабильно везти груз. Например, во время жары рельсы могут нагреваться сильнее воздуха и деформироваться, поэтому инфраструктурные службы используют прогнозы погоды, локальные измерения и системы мониторинга, чтобы заранее вводить ограничения скорости и снижать риск сбоев. Подобная модель была разработана в Южной Корее ещё в 2021 году.
Эти риски и ограничения производство должно закладывать при планировании как поставок сырья, так и отгрузок клиентам, чтобы не нарушать контрактные обязательства. Имея прогноз, они могут заранее выбрать альтернативный транспорт или маршрут, обеспечить запасы заранее или договориться с партнерами о смещении сроков, чтобы избежать штрафов. В РЖД также действует 28 систем с элементами ИИ, которые позволяют совершенствовать обслуживание и повышать безопасность движения.
3. Проектирование производственной площадки с учетом тепловых, шумовых и иных факторов
На этапе проектирования или модернизации завода цифровые двойники позволяют проверить, как в этом пространстве будут двигаться люди, роботы, транспорт, потоки воздуха. У Foxconn модели используются для проектирования и управления высоконагруженными производственными площадками, в том числе теплового анализа и прогнозирования микроклимата. А BMW в 2025 году сообщала, что масштабирует технологию виртуальной фабрики на более чем 30 производственных площадках. Там заранее моделируются компоновка, логистика и взаимодействие оборудования, чтобы быстрее выявлять проблемы еще до запуска изменений в реальном цехе.
4. Сельское хозяйство
Здесь ИИ уже используют для прогнозирования погодных рисков и моделирования урожайности. Например, в 2025 году в Иркутском государственном аграрном университете представили систему на базе ИИ, которая прогнозирует урожайность разных культур с учетом температуры, осадков и экстремальных погодных сценариев — засух, паводков или аномальной жары.
Дополнительно в агросекторе используются ML-модели локального прогноза погоды. Так «Яндекс Погода» ранее рассказывала о применении ИИ для адаптации глобальных погодных моделей под конкретные поля и культуры, чтобы аграрии могли точнее планировать полив, посевные и уборочные работы.
ИИ в ежедневных задачах предприятий
Если в предыдущих сценариях ИИ помогал учитывать в основном внешние условия и ограничения — погоду, логистические риски, тепловую и шумовую нагрузку, — то на следующем уровне он начинает работать уже внутри самого производства. Здесь важно вовремя заметить отклонение, спрогнозировать сбой или выявить дефект до того, как он приведет к простою, браку и лишним затратам.
Первое направление — предиктивное обслуживание оборудования. Здесь ИИ анализирует данные с датчиков и журналов работы техники, чтобы находить скрытые паттерны износа, оценивать вероятность отказа и остаточный ресурс узлов. Такой подход позволяет не ждать аварии, а заранее планировать ремонт, закупку деталей и остановку оборудования в наиболее безопасный и экономически оправданный момент.
Например, компания BlueScope, мировой лидер в производстве стали из Австралии, благодаря использованию технологии прогнозирующего технического обслуживания Siemens Senseye на базе ИИ за три года сэкономила около 2000 часов незапланированных простоев на предприятиях.
Отдельная задача — диагностика и анализ причин, когда инцидент уже случился. AIRI совместно со студентами и сотрудниками НИЯУ МИФИ и коллегами из Ивановского государственного энергетического университета разработали метод ИИ для молниеносного анализа аварий в электросетях. Он позволяет избежать ситуаций, когда инженерам в поисках причины инцидента приходится вручную копировать данные с автоматики на внешний носитель, везти их в офис или отправлять производителю оборудования. Вместо процесса, который занимал часы, а то и дни, теперь нужную для выводов информацию можно получать за считанные секунды.
Второе направление — детекция брака с помощью компьютерного зрения. Такие системы анализируют продукцию на линии и автоматически выявляют отклонения от нормы — дефекты поверхности, нарушения геометрии, неоднородности и другие признаки нестандартной продукции. В российской практике такие подходы уже используются, в том числе в металлургии и нефтехимии. В Северстали системы на базе ИИ используют набор из 12 моделей компьютерного зрения, каждая из которых обучена обнаруживать дефекты, критичные для конкретного типа металла.
Третье направление — оперативный контроль технологического процесса. Здесь ИИ следит уже не только за состоянием оборудования или внешним видом продукции, но и за самим ходом производства: параметрами линии, режимами работы и аномалиями, которые могут привести к снижению качества, авариям или перерасходу ресурсов. В СИБУРе на предприятиях работают более 3 тысяч камер технологического видеонаблюдения: помимо сортировки продукции и контроля качества (вероятность ошибки — всего 0,01%) система следит за соблюдением правил промышленной безопасности.
Эти примеры показывают, что в задачах экологии и производства ИИ помогает точнее читать данные, раньше замечать отклонения, лучше понимать, как устроены сложные процессы — от движения воздушных масс до работы конвейера. За точность и достоверность таких решений отвечает корректный дизайн мониторинга, выбор точек измерения, качество данных и их интерпретация. Именно от этого зависит, насколько выводы модели верно отражают происходящее и можно ли на их основе принимать решения.