Allen Institute: AIMIP benchmark — AI klimatski modeli 2× bolji na povijesti, ali ne generaliziraju na dugoročno zagrijavanje

Allen Institute (AI2) je 13. svibnja 2026. objavio AIMIP — AI Model Intercomparison Project, community benchmark za AI vremenske i klimatske prognoze. Phase 1 evaluacija uključuje šest modelirajućih grupa s osam model simulacija i otkriva ozbiljnu nesposobnost AI modela da generaliziraju na dugoročno klimatsko zagrijavanje.

Tko sudjeluje u AIMIP Phase 1?

Phase 1 okuplja šest grupa koje su predale ukupno osam model simulacija: Ai2 Climate Modeling, NVIDIA, Google Research, University of Washington, University of Maryland i ArchesWeather grupa. Allen Institute pozicionira projekt kao “community effort” — dizajniran za standardiziranu evaluaciju usporedivu s tradicionalnim CMIP (Climate Model Intercomparison Project) okvirom koji koristi klasične atmospheric science modele.

Što evaluacija pokazuje na povijesnim podacima?

AI modeli demonstriraju snažan rezultat — vodeći sustavi reduciraju time-averaged error za faktor 2 u poljima poput near-surface air temperature u usporedbi s konvencionalnim modelima. Pokazatelj sugerira da je AI superioran u short-to-medium term weather prognozama gdje su klasični GCM (general circulation model) sustavi računski preskupi za fine-grained rezoluciju.

Koju ozbiljnu slabost AIMIP otkriva?

Evaluacija je otkrila značajnu generalizacijsku slabost: modeli se bore s predviđanjem dugoročnih warming trendova izvan training perioda. Dok neki modeli adekvatno prate zagrijavanje, drugi ga “značajno podcjenjuju” što indicira generalization gap kroz različite klimatske scenarije. To je kritična limitacija — AI klimatski modeli moraju ispravno ekstrapolirati u future temperature regime koji nije bio u training distribution.

Što slabost konkretno znači za primjenu?

AI klimatski modeli su trenutno korisni za fine-grained reproduction povijesnih podataka i short-term weather forecasting, ali ostaju nepouzdani za century-scale climate projection — primarni use case klimatskih GCM-ova koji informira politiku. AIMIP će u sljedećim Phase-ovima dodati više modela i scenarija, a poseban fokus bit će na out-of-distribution generalizaciji.

Architektura modela je “do participating modeling groups” — AIMIP ne propisuje arhitekturu, samo input/output specifikacije, što omogućuje usporedbu različitih pristupa (transformeri, graph neural networks, hybrid physics-ML modeli) na istom benchmarku. Pristup pozicionira AIMIP kao infrastrukturu za znanstveno usporedbu, ne kao championing pojedinačnog model rješenja.