Narzędzie Probabilistic Bias Correction (PBC), opracowane przez zespół z MIT, Microsoft Research, Harvardu i ECMWF, podwoiło skuteczność prognoz pogody w horyzoncie od 2 do 6 tygodni i zajęło pierwsze miejsce w międzynarodowym konkursie AI Weather Quest. Zamiast budować kolejny model pogodowy, badacze nauczyli algorytm wyłapywać i korygować systematyczne błędy istniejących modeli, w tym najlepszych systemów Europejskiego Centrum Prognoz Średnioterminowych (ECMWF).
- Narzędzie Probabilistic Bias Correction (PBC), opracowane przez zespół z MIT, Microsoft Research, Harvardu i ECMWF, podwoiło skuteczność prognoz pogody w horyzoncie 2–6 tygodni i zajęło pierwsze miejsce w międzynarodowym konkursie AI Weather Quest organizowanym przez ECMWF, pokonując 34 zespoły z całego świata oraz modele sześciu agencji rządowych.
- PBC nie buduje własnych prognoz, lecz koryguje błędy istniejących modeli – nałożone na model dynamiczny ECMWF (IFS) poprawiło prognozy dla 91% celów ciśnienia, 92% celów temperatury i 98% celów opadów, a nałożone na model AI ECMWF (AIFS) podwoiło jego średnią skuteczność w zakresie subsezonowym.
- Według MIT był to pierwszy przypadek, gdy model wykazał trwałą przewagę nad średnimi klimatologicznymi w horyzoncie 2–6 tygodni – okresie określanym przez meteorologów jako „pustynia przewidywalności", który Edward Lorenz już w latach 70. uznał za teoretyczną granicę przewidywalności pogody.
Wyniki opisano w artykule „Advancing subseasonal forecasting with machine learning” opublikowanym w czasopiśmie Nature. MIT nagłośniło je komunikatem z 14 października 2026 r.
Chcesz czytać więcej treści związanych z AI?
Dodaj AIPORT.pl do preferowanych źródeł Google
PBC nie prognozuje pogody, tylko poprawia cudze prognozy
Probabilistic Bias Correction to warstwa postprocessingu, czyli nakładka, która bierze gotową prognozę dowolnego modelu i przesuwa jej prawdopodobieństwa na podstawie tego, jak ten model mylił się w przeszłości. Jako dane wejściowe dostaje ostatnie obserwacje, klimatologiczne kwantyle dla danego miejsca oraz deterministyczną prognozę modelu fizycznego lub AI. Na wyjściu oddaje skorygowaną prognozę probabilistyczną, czyli taką, która mówi nie „będzie 12 stopni”, tylko „z jakim prawdopodobieństwem temperatura trafi do jednego z pięciu przedziałów, od znacznie poniżej normy po znacznie powyżej”.
W środku pracują dwa lekkie modele uczenia maszynowego, Debias++ i Persistence++, które równolegle generują komplementarne korekty. Judah Cohen, klimatolog i pracownik naukowy Wydziału Inżynierii Lądowej i Środowiskowej MIT, podkreśla w komunikacie MIT, że pomysł wyszedł od Lestera Mackeya z Microsoft Research, z którym współpracuje od ponad dekady.
Model trenowano na klastrze superkomputerowym MIT Engaging, ale gotowe narzędzie nie wymaga superkomputera. Jest otwartoźródłowe i tanie w uruchomieniu.
Dwukrotnie lepsza skuteczność modelu AI ECMWF i poprawa 98 proc. celów opadowych
Badacze przetestowali PBC na dwóch flagowych systemach ECMWF, uznawanego za najlepszy ośrodek prognostyczny na świecie:
- AIFS (AI Forecasting System), model ECMWF oparty na uczeniu maszynowym: PBC podwoiło jego średnią skuteczność w zakresie subsezonowym (z poziomu 0,03 w metryce konkursowej, uśrednionej dla wszystkich zmiennych i horyzontów).
- Model dynamiczny ECMWF (IFS), już operacyjnie odbiasowany przez samo ECMWF: PBC poprawiło prognozy dla 91 proc. celów ciśnienia, 92 proc. celów temperatury i 98 proc. celów opadów.
- Słabsze modele innych ośrodków: po nałożeniu PBC zbliżały się do poziomu prognoz ECMWF, a w niektórych przypadkach dorównywały im.
Według MIT był to pierwszy przypadek, gdy model wykazał trwałą przewagę nad średnimi klimatologicznymi w horyzoncie 2-6 tygodni. Do tej pory, jak mówi Cohen, większość prognoz na ten okres była gorsza od zwykłej średniej wieloletniej.
„Konsekwentnie pokonujemy średnie klimatologiczne naszymi modelami” / „We consistently beat climatology averages with our models.”
To ważne, bo właśnie ten zakres meteorolodzy nazywają „pustynią przewidywalności”. W prognozach krótkoterminowych pomagają dokładne warunki początkowe, w sezonowych powolne czynniki brzegowe, jak El Niño. Okres 2-6 tygodni nie korzysta w pełni z żadnego z nich. Edward Lorenz, twórca teorii chaosu i wieloletni profesor MIT, w latach 70. uznał dwa tygodnie za teoretyczną granicę przewidywalności pogody. Cohen przyznaje w komunikacie, że nigdy do końca w tę granicę nie wierzył.
Wypełnij formularz, a my skontaktujemy się z Tobą, aby upewnić się czego potrzebujesz.
Pierwsze miejsce w AI Weather Quest, konkursie ECMWF z 34 zespołami
W sierpniu 2025 r. ECMWF uruchomiło roczny konkurs AI Weather Quest, w którym uczestnicy co tydzień wysyłają probabilistyczne prognozy globalne na 3. i 4. tydzień. Zespół MicroEnsemble (Microsoft Research wraz z zespołem MSN Weather) zgłosił system MicroDuet, czyli połączenie PBC nałożonego na model ECMWF oraz PBC nałożonego na PoET, transformerowy model poprawiający prognozy wiązkowe.
W sezonie wrzesień-listopad 2025 MicroDuet zajął pierwsze miejsce dla każdej zmiennej (temperatura, ciśnienie na poziomie morza, opady) i każdego horyzontu. Pokonał odbiasowane modele dynamiczne sześciu agencji rządowych (ECMWF, NOAA, kanadyjskiej ECCC, rosyjskiego HMCR, koreańskiej KMA i japońskiej JMA), ich wspólny multimodel, trzy modele AI samego ECMWF oraz systemy 34 zespołów z całego świata. W sezonie grudzień-luty MicroDuet również był pierwszy dla obu horyzontów i jako jedyny spośród 37 zespołów pokonał wielomodelowy zespół dynamiczny dla wszystkich zmiennych.
Konflikt interesów badacze ujawnili sami: dwóch współautorów, Jakob Schloer i Joshua Talib, pracuje w ECMWF, które organizuje konkurs i rozwija model AIFS.
Ten wynik mówi coś ważnego o tym, gdzie dziś leży przewaga w AI stosowanej. Nie w kolejnym, większym modelu, ale w tanim narzędziu, które uczy się na błędach tych już istniejących. MIT i Microsoft nie prześcignęły ECMWF, tylko wzięły jego model i zrobiły go dwa razy lepszym. To podejście, które powinno zainteresować każdą organizację siedzącą na stosach historycznych prognoz, decyzji albo wycen, bo tam też są systematyczne błędy, których nikt nie policzył. Mam jednak dwa pytania. Po pierwsze, podwojenie skuteczności z poziomu 0,03 nadal oznacza prognozę, która jest tylko trochę lepsza od rzutu monetą. Czy rolnik lub operator sieci energetycznej podejmie decyzję wartą milionów na podstawie tak niewielkiej przewagi? Po drugie, PBC uczy się na historycznych błędach modelu. Co się stanie, gdy klimat zmienia się szybciej, niż dane historyczne zdążą to odzwierciedlić? Autorzy mówią, że model adaptuje korekty w miarę napływu danych. Chciałbym zobaczyć, jak to działa w praktyce przez kilka kolejnych sezonów, a nie tylko w jednym konkursie.
Piotr Wolniewicz, Redaktor Naczelny AIPORT.pl
Lepsze przewidywanie fal mrozu i powodzi, czyli to, na czym tradycyjna korekta się wykładała
Z punktu widzenia zarządzania kryzysowego najważniejszy jest wynik dotyczący zjawisk ekstremalnych. Badacze odnotowali statystycznie istotną poprawę przewidywania ekstremalnych temperatur i opadów po zastosowaniu PBC.
Cohen zwraca uwagę, że własna, niebędąca AI korekta błędów opracowana przez ECMWF pogarszała prognozy zjawisk ekstremalnych. Jego interpretacja: klasyczna korekta biasu zawsze ciągnie wynik w stronę średniej, a ekstremum z definicji leży na skraju rozkładu. W rozmowie z Gizmodo dodał, że narzędzie jest niezależne od typu modelu:
„Jest agnostyczne wobec modelu” / „It’s model agnostic.”
Punktem wyjścia komunikatu MIT jest katastrofa z lutego 2021 r. w Teksasie, gdy po trzech zimowych burzach doszło do największej awarii infrastruktury energetycznej w historii stanu. Zginęło co najmniej 246 osób. MIT argumentuje, że dwutygodniowe wyprzedzenie dałoby operatorom czas na przygotowanie zapasów gazu, czego nie da dwudniowe ostrzeżenie. Cohen podaje, że meteorologiczna służba Kenii zgłosiła się już w sprawie wdrożenia PBC do prognozowania sezonu monsunowego.
Prace sfinansowały częściowo amerykańska National Science Foundation, brazylijska Fundacja Carlosa Chagasa Filho oraz Unia Europejska. Główną autorką publikacji jest Hannah Guan, studentka Harvard College. Wśród współautorów są m.in. Soukayna Mouatadid z Uniwersytetu w Toronto, Paulo Orenstein z brazylijskiego IMPA, Jeremy Berman z firmy DTN oraz Alex Lu, Haiyu Dong, Jonathan Weyn, Zekun Ni i Lester Mackey z Microsoftu.
Za każdą polską firmą AI stoi konkretny człowiek z imieniem i nazwiskiem, często ten sam w kilku miejscach naraz, i to właśnie ludzie, nie tabelki finansowania, są prawdziwym bohaterem tego artykułu.
Jak wygląda sytuacja w Polsce?
Polska korzysta z produktów ECMWF, w tym z modelu AIFS, który PBC poprawia najmocniej. Instytut Meteorologii i Gospodarki Wodnej udostępnił w 2025 r. prognozy AIFS na stronie modele.imgw.pl, obok klasycznego modelu IFS. ECMWF wdrożyło AIFS do pracy operacyjnej w lutym 2025 r., a wersję wiązkową w lipcu tego samego roku. IMGW zaznacza przy tym, że porównania wskazują konkurencyjną jakość AIFS w horyzoncie do 15 dni. O zakresie 2-6 tygodni nie ma tam mowy.
Prognozy długoterminowe IMGW-PIB mają inny charakter. Instytut publikuje je na kilka miesięcy naprzód jako odchylenie od normy wieloletniej 1991-2020, z zastrzeżeniem, że mimo rosnącej mocy obliczeniowej błędów na tak długi okres nie da się uniknąć.
Jest też wątek instytucjonalny. Po powodzi we wrześniu 2024 r. prof. Szymon Malinowski, fizyk atmosfery z Uniwersytetu Warszawskiego, przypominał w OKO.press, że Polska była wówczas jedynym krajem Unii Europejskiej pozostającym poza ECMWF, co oznaczało brak dostępu do know-how i płatny dostęp wyłącznie do gotowych produktów. Narzędzie takie jak PBC jest otwartoźródłowe, więc teoretycznie IMGW mogłoby je nałożyć na dostępne prognozy bez członkostwa. Nie znalazłem informacji, by taki test był w Polsce planowany.
Źródła i metodologia
Artykuł powstał na podstawie analizy redakcji AIPORT.pl oraz dodatkowych źródeł, w tym komunikatu prasowego MIT News z dnia 14.10.2026, publikacji naukowej „Advancing subseasonal forecasting with machine learning” w Nature, preprintu arXiv i strony projektu Microsoft Research oraz Gizmodo. Polski kontekst na podstawie dlapilota.pl i OKO.press. Temat zasygnalizował serwis Tabletowo.pl.
Cytaty Judaha Cohena, pracownika naukowego MIT, zostały zweryfikowane z oryginalnym anglojęzycznym materiałem źródłowym.
Komentarz redakcyjny i ocena kontekstu branżowego: Piotr Wolniewicz, Redaktor Naczelny AIPORT.pl.
Artykuł będzie aktualizowany w miarę pojawiania się nowych informacji o wdrożeniach narzędzia Probabilistic Bias Correction i wynikach kolejnych sezonów AI Weather Quest.
