Expertos en inteligencia artificial colaboran con humanos para resolver interrogantes climáticos urgentes

Bloomberg — Mientras las temperaturas de los últimos años batían récords históricos, Zeke Hausfather, investigador climático de la organización sin fines de lucro Berkeley Earth, buscó la forma de describir el calor y optó por “absolutamente alucinante y disparatado”.

También exploró nuevas maneras de visualizarlo. Hausfather diseñó sus propios gráficos, incluido un llamativo “gráfico de anillos de árboles”, con la ayuda de un asistente para lluvia de ideas y programación: ChatGPT. “Es interesante, en parte, porque no es aquello en lo que habría esperado que la IA fuera buena”, comentó Hausfather.

Como millones de personas, los científicos del clima están encontrando un papel para los grandes modelos de lenguaje en la programación, la comunicación y otras áreas de su flujo de trabajo. También están aplicando herramientas de IA a preguntas centrales: ¿Cuánto calor hará, cuánta lluvia caerá, qué tan rápido ocurrirá?

“La IA está ofreciendo oportunidades bastante emocionantes para abordar preguntas en las que llevamos tiempo estancados”, dijo Elizabeth Barnes, profesora de la Universidad de Boston especializada en ciencia de datos ambientales. “Pero no representa una transformación completa de nuestra ciencia”.

Esto se debe a que las herramientas tradicionales de investigación climática y las basadas en IA probablemente se complementen entre sí. Los modelos climáticos son programas complejos que simulan la física del sistema terrestre con ecuaciones que requieren más de un millón de líneas de código.

Los científicos los denominan modelos basados en la física para distinguirlos de la IA y otros modelos, que funcionan sin simular la física. Los modelos climáticos pueden proyectar cambios a gran escala que aún no han ocurrido, pero tienen dificultades para resolver fenómenos influyentes de pequeña escala, como la formación de nubes.

Las herramientas de IA podrían ser capaces de inferir valores para esas variables, pero todavía no pueden “ver” fuera de sus datos de entrenamiento, por ejemplo, fenómenos meteorológicos extremos que ocurren a una escala fuera del registro histórico. (Hay indicios iniciales de que pueden trasladar fenómenos meteorológicos extremos de una parte del mundo a una región donde nunca han ocurrido).

Los riesgos globales se vuelven locales

Las aseguradoras, los compradores de vivienda y muchas otras personas quieren estimaciones hiperlocalizadas del riesgo climático, como la probabilidad de inundación de una propiedad, para poder tomar decisiones financieras con confianza. El problema es que las simulaciones globales son demasiado burdas como para ser útiles a una escala tan pequeña.

Los investigadores confían en que la IA pueda ayudar a traducir mejor las simulaciones de gran escala al plano local, combinando resultados de modelos con datos meteorológicos históricos para que la IA “aprenda” cómo se han relacionado en el pasado.

La combinación de IA y modelización basada en la física podría ofrecer una “forma flexible, precisa y eficiente” de abordar este problema, escribieron científicos de Google la primavera pasada.

Google Research publicó esta semana Groundsource, una herramienta para predecir inundaciones repentinas, que causan más muertes que cualquier otro peligro relacionado con el agua. Los investigadores utilizaron Gemini, el gran modelo de lenguaje de la compañía, para identificar 5 millones de artículos de noticias desde 2000 que documentan 2,6 millones de inundaciones repentinas en 150 países.

Con estos datos y modelos meteorológicos entrenados con aprendizaje automático, el equipo produjo una herramienta de acceso público (aún no revisada por pares) que arroja resultados válidos el 82% de las veces.

Bienvenidos, “co-científicos”

La Circulación Meridional de Retorno del Atlántico (AMOC, por sus siglas en inglés) transporta agua cálida hacia el norte y agua fría hacia el sur. Esta corriente es una característica estable del clima global que, entre otras cosas, hace que Europa sea más cálida de lo que sería de otro modo. También enfrenta riesgo de colapso durante el próximo siglo, algo que los científicos quieren comprender mejor.

Google DeepMind lideró un equipo de más de una docena de científicos, incluido Hausfather, que el mes pasado publicó una evaluación preliminar del estado de la AMOC. Llevaron a cabo este trabajo específicamente para probar qué tan bien un “co-científico” de IA, Gemini, podía colaborar en una revisión amplia del conocimiento científico actual, similar a las evaluaciones integrales de la ONU.

El equipo sintetizó 79 artículos sobre la AMOC y revisó su trabajo 104 veces en un total de 46 horas-persona, lo que es aproximadamente 10 veces más rápido de lo habitual. Casi todo el material que la IA aportó a la revisión se conservó, y representó el 42% de la versión final.

Sin embargo, los expertos en clima tienen conocimientos e intuición que no forman parte del entrenamiento de la IA. Aunque la IA es una colaboradora útil, no se acerca en nada a un sustituto. “Se requirió una supervisión sustancial para ampliar y elevar el contenido a rigurosos estándares científicos”, escribió el equipo investigador sobre el trabajo de su asistente Gemini.

Proyecciones nubladas

Cómo afectan las nubes al flujo de calor que entra y sale de la atmósfera ha intrigado durante mucho tiempo a los científicos. Las nubes bajas rebotan la luz solar de vuelta al espacio; las nubes a gran altitud atrapan el calor debajo. Cómo se forman y cómo están cambiando son preguntas difíciles que influyen fuertemente en las proyecciones climáticas.

La combinación de IA con estimaciones basadas en la física está mostrando potencial para sortear la dificultad de intentar simular las nubes. Un equipo de científicos universitarios, de organizaciones sin fines de lucro y del sector corporativo concluyó en 2024 que las técnicas de aprendizaje automático “podrían usarse como sustituto” de las estimaciones actuales de nubes en algunos modelos.

Cambio climático regional

A veces, los científicos encuentran discrepancias entre las proyecciones de los modelos globales y lo que está ocurriendo localmente sobre el terreno. Tanto los modelos físicos como los híbridos con IA tienen dificultades para reproducir, por ejemplo, la sequedad creciente del suroeste de Estados Unidos. Tienden a ver que el aumento de las temperaturas lleva más humedad a la zona, no menos, a medida que la atmósfera global se carga de vapor de agua.

Ese también es un problema difícil para la IA, pero ha logrado aproximarse más a las tendencias reales que otros métodos.

Científicos de la Universidad de Washington publicaron en agosto un estudio que mostraba que un modelo de IA entrenado únicamente para minimizar errores en pronósticos meteorológicos de corto plazo terminó siendo capaz de simular la actividad observada de ciclones en el Pacífico noroccidental.

En otros ámbitos, la IA está transformando datos satelitales en mediciones de emisiones de metano, simulando cómo se desprenden los glaciares e identificando fenómenos meteorológicos extremos mucho antes de que ocurran.

Está claro que las herramientas de IA, como los grandes modelos de lenguaje, pueden realizar muchas tareas igual de bien o mejor que las personas. Pero incluso cuando producen las respuestas correctas, los científicos aún necesitan comprender cómo llegaron a ellas para que el campo avance.

“La ciencia no trata solo de los resultados, sino también de la comprensión que hay detrás de ellos”, dijo Hausfather. “Uno de los desafíos de la IA es que es difícil entender qué hizo, a menos que puedas profundizar en ello”.

Referencia de contenido: consultar fuente original aquí