Искусственный интеллект помогает городам определять районы, которым грозит экстремальная жара, и находить людей, наиболее уязвимых перед высокими температурами. Однако исследование, опубликованное в журнале Climate Risk Management, выявило серьезный перекос: ученые гораздо чаще разрабатывают ИИ для прогнозирования тепловых рисков, чем для организации помощи пострадавшим. Следующий шаг — научиться превращать точные прогнозы в конкретные решения, которые действительно защищают людей.

Проблема становится все острее по мере усиления экстремальной жары на фоне изменения климата. По данным исследования Йельского университета, опубликованного в 2025 году, среднее число ежегодных смертей в США, связанных с высокой температурой, выросло с 2670 в 2000–2009 годах до более чем 4000 в 2010–2020 годах — примерно на 53%, рассказывает Axios.

Исследования сосредоточены на прогнозах, а не на помощи

Авторы работы проанализировали существующие исследования применения искусственного интеллекта и машинного обучения для управления рисками экстремальной жары. Результаты показали, что основное внимание ученых сосредоточено на выявлении опасности, а не на том, как действовать после получения прогноза.

Распределение исследований оказалось следующим:

· 98,4% посвящены прогнозированию жары и связанных с ней рисков;

· 59,2% рассматривают профилактику;

· 10,4% изучают реагирование на чрезвычайные ситуации;

· 3,2% посвящены восстановлению после последствий;

· 1,6% — подготовке к опасным событиям.

Категории в исследовании могут пересекаться, поэтому эти показатели не следует складывать в единую структуру распределения. Но общий вывод очевиден: практическому применению ИИ для реагирования на жару уделяется значительно меньше внимания, чем ее прогнозированию.

Исследователи называют этот разрыв проблемой перехода от научных разработок к реальному внедрению. Алгоритм может с высокой точностью показать, где температура будет особенно опасной и какие группы населения подвергаются наибольшему риску. Но сам по себе прогноз не открывает охлаждающий центр, не организует доставку воды и не помогает экстренным службам распределить ресурсы.

По словам Каришмы Патель, исследовательницы RAND и соавтора работы, особая ценность ИИ заключается в ситуациях, когда решение зависит от большого объема данных или требует очень детального анализа территории.

Почему точного прогноза недостаточно

Чтобы использовать прогнозы в работе городских служб, нужны не только хорошие модели, но и надежная инфраструктура данных. Информация должна поступать из разных источников, своевременно обновляться и представляться в форме, понятной людям, которые принимают решения.

Исследовательница Корнеллского университета Дженна Госчиак, изучающая применение ИИ при реагировании на жару, считает создание таких систем одним из ключевых условий успеха. Даже самая сложная модель мало поможет, если ее результаты невозможно быстро встроить в повседневную работу муниципальных служб.

Есть и другой нюанс: не всегда более сложный алгоритм оказывается полезнее простого показателя уязвимости.

Госчиак сравнивала традиционные индексы, оценивающие уязвимость населения к жаре, с более сложными прогностическими алгоритмами, которые могут использоваться при принятии государственных решений. По ее словам, выбор зависит от задачи и сроков, в которые необходимо действовать.

Когда сложный ИИ уступает простым индексам

Для оперативного реагирования, привязанного к конкретному событию, алгоритмы, обрабатывающие постоянно обновляющиеся данные, могут оказаться особенно полезными. Например, они способны помочь определить, где риск быстро растет и куда следует направить помощь в первую очередь.

Но для долгосрочного планирования простые индексы уязвимости иногда подходят лучше. Они позволяют властям явно указать, какие группы населения необходимо защищать в первую очередь, вместо того чтобы полностью полагаться на выводы сложной модели.

Это важное различие: прогнозирование показывает, где вероятна опасность, а решение о распределении ресурсов зависит еще и от общественных приоритетов. Чем сложнее алгоритм, тем важнее понимать, какие данные он использует и почему выделяет одни районы или группы людей, а не другие.

Таким образом, задача состоит не в том, чтобы заменить все существующие методы искусственным интеллектом, а в том, чтобы подобрать подходящий инструмент для конкретного решения.

Google использует ИИ для поиска перегревающихся городских районов

Один из примеров практического применения таких технологий — проект Google Heat Resilience. В июне компания сообщила о расширении своей системы данных об устойчивости к жаре: с первоначального пилотного проекта в 14 городах до более чем 50 городов по всему миру.

Сервис использует искусственный интеллект и изображения высокого разрешения, чтобы оценивать отражательную способность крыш отдельных зданий. Эти сведения помогают городским планировщикам определять участки, где меры по снижению перегрева могут принести наибольшую пользу.

По данным Google, результаты пилотных проектов уже учитывались при принятии решений в нескольких городах, включая разработку требований к охлаждающим крышам и планов климатической адаптации.

Такой подход позволяет перейти от общих оценок городской температуры к более детальному анализу конкретных зданий. Однако и здесь наличие подробной карты еще не гарантирует, что необходимые изменения будут проведены: для этого нужны финансирование, административные решения и согласованные действия городских служб.

Следующий этап — связывать прогнозы с действиями

По мнению Патель, перспективное направление развития ИИ — системы, которые объединяют меняющиеся данные и помогают властям принимать решения почти в реальном времени. Особенно полезными могут стать локальные прогнозы с высокой детализацией, позволяющие оценивать риски на уровне отдельных районов.

Кроме того, такие системы могут учитывать сочетание нескольких угроз. Жара нередко сопровождается загрязнением воздуха, дымом от лесных пожаров или засухой. Совместный анализ этих факторов способен дать службам более полное представление о том, где население нуждается в защите.

Но главный критерий успеха — не сложность алгоритма и не точность прогноза сами по себе. Важно, помогает ли технология устранить конкретное препятствие: быстрее направить помощь, эффективнее распределить ресурсы или заранее подготовить наиболее уязвимые районы.

Как подчеркивает Патель, недостаточно просто создать технологию на основе ИИ — она должна решать реальную проблему. В случае экстремальной жары от этого зависит, превратятся ли научные достижения в практическую защиту людей.