Allen Institute: AIMIP-Benchmark — KI-Klimamodelle 2× besser auf historischen Daten, scheitern aber bei langfristiger Erwärmung

Das Allen Institute (AI2) veröffentlichte am 13. Mai 2026 AIMIP — KI-Modellvergleichsprojekt, einen Community-Benchmark für KI-Wetter- und Klimaprognosen. Die Phase-1-Evaluierung umfasst sechs Modellierungsgruppen mit acht Modellsimulationen und offenbart eine ernste Unfähigkeit von KI-Modellen zur Generalisierung auf die langfristige Klimaerwärmung.

Wer nimmt an AIMIP Phase 1 teil?

Phase 1 vereint sechs Gruppen, die insgesamt acht Modellsimulationen einreichten: Ai2 Climate Modeling, NVIDIA, Google Research, University of Washington, University of Maryland und die ArchesWeather-Gruppe. Das Allen Institute positioniert das Projekt als „Community-Effort” — konzipiert für standardisierte Evaluierung, vergleichbar mit dem traditionellen CMIP-Rahmen (Climate Model Intercomparison Project), der für klassische atmosphärische Wissenschaftsmodelle verwendet wird.

Was zeigt die Evaluierung bei historischen Daten?

KI-Modelle zeigen starke Ergebnisse — führende Systeme reduzieren den zeitgemittelten Fehler in Feldern wie der bodennahen Lufttemperatur um den Faktor 2 im Vergleich zu konventionellen Modellen. Der Indikator legt nahe, dass KI bei kurzfristigen bis mittelfristigen Wetterprognosen überlegen ist, wo klassische GCM-Systeme (General Circulation Model) für feinkörnige Auflösung zu rechenintensiv sind.

Welche ernste Schwäche deckt AIMIP auf?

Die Evaluierung deckte eine erhebliche Generalisierungsschwäche auf: Modelle haben Schwierigkeiten, langfristige Erwärmungstrends außerhalb des Trainingszeitraums vorherzusagen. Während einige Modelle die Erwärmung angemessen nachverfolgen, unterschätzen andere sie „erheblich”, was auf eine Generalisierungslücke über verschiedene Klimaszenarien hinweist. Dies ist eine kritische Einschränkung — KI-Klimamodelle müssen korrekt auf zukünftige Temperaturregime extrapolieren, die nicht in der Trainingsverteilung vorhanden waren.

Was bedeutet diese Schwäche konkret für Anwendungen?

KI-Klimamodelle sind derzeit nützlich für die feinkörnige Reproduktion historischer Daten und kurzfristige Wettervorhersagen, bleiben jedoch für jahrhundertskalige Klimaprojektionen unzuverlässig — dem primären Anwendungsfall klimatischer GCMs, die die Politik informieren. AIMIP wird in späteren Phasen weitere Modelle und Szenarien hinzufügen, mit besonderem Fokus auf Out-of-Distribution-Generalisierung.

Die Modellarchitektur ist „den teilnehmenden Modellierungsgruppen überlassen” — AIMIP schreibt keine Architektur vor, nur Eingabe-/Ausgabespezifikationen, was den Vergleich verschiedener Ansätze (Transformer, Graph-Neuronale-Netze, hybride Physik-KI-Modelle) auf demselben Benchmark ermöglicht. Der Ansatz positioniert AIMIP als Infrastruktur für den wissenschaftlichen Vergleich, nicht als Verfechter einer einzelnen Modelllösung.