SMHI har redovisat verifikationen av sin första operativa AI-prognosmodell efter sex månaders parallelldrift, och resultatet är entydigt: på tio dygns sikt är felet i tryckfältet på 500 hPa-nivån 52 procent lägre än den fysikbaserade referensmodellen, och modellen vinner på åtta av tio uppföljda mätpunkter.
Att lära sig vädret i stället för att räkna ut det
Klassisk numerisk väderprognos löser atmosfärens fysikaliska ekvationer framåt i tiden på ett tredimensionellt rutnät — ett av civilisationens största löpande beräkningsprojekt, som kräver superdatortid varje prognoscykel. AI-modellen gör något principiellt annat: den har tränats på 45 års så kallad återanalys — ett sammanhängande facit över hur atmosfären faktiskt utvecklats — och lärt sig avbildningen från ett vädertillstånd till nästa.
Arkitekturen är ett grafnätverk där jordytan representeras som ett ikosaedriskt nät i flera upplösningar. Det låter modellen fånga både lokal dynamik och storskaliga mönster som jetströmmens vågor. När träningen väl är gjord — den kostade cirka tre veckor på ett GPU-kluster — kör en full tiodygnsprognos på under fyra minuter på en enda server. Referensmodellen behöver två timmar superdator för samma horisont.
Snabbheten är en egen förmåga
Att prognosen blir bättre är en sak; att den blir hundra gånger billigare att producera är en annan, och på sikt kanske viktigare. SMHI kör nu ensembler med femtio medlemmar — femtio lätt störda varianter av samma prognos — vilket ger kalibrerade sannolikheter i stället för en enda bana. För elsystemet, som allt mer styrs av väder, är just sannolikhetsfördelningen för vind och temperatur det som prissätter både reserver och överföringskapacitet.
Där fysiken fortfarande vinner
Verifikationen visar också var gränsen går. Modellen underskattar systematiskt extremvärden — de djupaste lågtrycken blir för grunda, skyfallens intensitet för slät. Orsaken är strukturell: träningen minimerar genomsnittsfel, och det ovanliga är per definition ovanligt i träningsdata. Konvektiva sommaroväder på kilometerskala ligger dessutom under modellens upplösning.
Driftsupplägget blir därför hybrid: AI-modellen tar medellånga prognoser och ensembler, den fysikbaserade modellen behåller korta tidsskalor, extremlägen och de specialprodukter som kräver fysikalisk konsistens. Facit är inte att fysiken förlorade — det är att räknandet bytte plats i kedjan: från att förutsäga vädret till att producera det facit modellen tränas på.