AI-klimaatmodel simuleert 1.100 jaar per dag op één GPU

TL;DR

• Wat: Onderzoekers hebben een AI-klimaatemulator gebouwd die 1.100 jaar klimaat per dag simuleert op één enkele GPU — waar het oorspronkelijke model 105 computerknopen nodig heeft voor 28 jaar per dag.
• Waarom relevant: Goedkopere en snellere klimaatmodellen maken het mogelijk dat klimaatrisico-analyses toegankelijker worden, ook voor bedrijven die niet over supercomputers beschikken.
• Wat je ermee kunt: Houd in de gaten hoe klimaatrisicodata de komende jaren sneller en betaalbaarder beschikbaar komt voor verzekeringen, vastgoed en supply chain planning.

Ik viel deze week over een bericht van het Allen Institute for AI (Ai2) over SamudrACE-E3SMv3: een AI-model dat het volledige klimaatsysteem van de aarde nabootst — atmosfeer én oceaan gekoppeld — en dat duizend keer sneller doet dan het wetenschappelijke model waar het van leert. Dat vond ik het uitzoeken waard.

Wat is hier precies gebouwd?

Laat me eerst even de namen ontleden, want het klinkt als een wachtwoord dat je vergeet. E3SMv3 staat voor het Energy Exascale Earth System Model, versie 3. Dat is een klimaatmodel van het Amerikaanse ministerie van Energie — een van de meest geavanceerde simulaties van het aardsysteem die er bestaan. Het berekent hoe atmosfeer, oceanen, ijs en landoppervlak op elkaar inwerken over periodes van tientallen tot honderden jaren.

Het probleem: zo'n simulatie is enorm rekenintensief. E3SMv3 draait op 105 computerknopen (denk aan een flink deel van een supercomputer) en haalt daarmee ongeveer 28 gesimuleerde jaren per dag. Dat is niet niks, maar als je honderden scenario's wilt doorrekenen — wat klimaatwetenschappers graag doen — loop je al snel tegen de grenzen van beschikbare rekentijd en energie aan.

SamudrACE-E3SMv3 is de AI-tegenhanger. Het is een zogenoemde emulator: een neuraal netwerk dat is getraind op de uitkomsten van E3SMv3 en vervolgens diezelfde klimaatpatronen kan reproduceren. Het bijzondere is dat dit model zowel de atmosfeer als de 3D-oceaan koppelt, iets wat volgens de onderzoekers essentieel is om verschijnselen als El Niño realistisch na te bootsen.

De cijfers: wat levert het op?

De prestatieverhouding is wat mij betreft het meest opvallende aan dit verhaal.

Dat is ruwweg een factor 40 sneller, op een fractie van de hardware. De eerdere versie van SamudrACE, getraind op een ander klimaatmodel (GFDL CM4), haalde volgens Ai2 zelfs 1.500 jaar per dag met een energiereductie van een factor 3.750 ten opzichte van het oorspronkelijke model.

Om het tastbaar te maken: stel dat je als ondernemer een rapport wilt laten maken over hoe het klimaat zich ontwikkelt onder vijftig verschillende scenario's. Met het traditionele model heb je daar maanden supercomputertijd voor nodig. Met een emulator als deze kun je datzelfde in dagen doen, op hardware die in een standaard serverrack past.

Wie zit erachter?

SamudrACE is ontwikkeld door het Allen Institute for AI (Ai2) in samenwerking met onderzoekers van New York University, Princeton, M2LInES en NOAA's Geophysical Fluid Dynamics Laboratory. Het onderzoek is gepubliceerd in Geophysical Research Letters, een gerenommeerd wetenschappelijk tijdschrift. De E3SMv3-variant bouwt voort op eerder werk dat in september 2025 op arXiv verscheen en in 2026 is gepubliceerd.

Wat ik hier opmerkelijk vind: dit is geen startup die iets claimt op een conferentie. Het is een samenwerking tussen gevestigde wetenschappelijke instituten, met peer-reviewed publicaties. Dat geeft de cijfers voor mij meer gewicht.

Wat betekent dit voor ondernemers?

Je denkt misschien: klimaatmodellen, dat is toch iets voor wetenschappers? Dat klopt — nú nog wel. Maar ik denk dat hier een verschuiving gaande is die op termijn ook het bedrijfsleven raakt.

Klimaatrisico wordt steeds concreter

Verzekeraars, banken en vastgoedpartijen moeten in toenemende mate klimaatrisico's meewegen in hun beslissingen. De EU-richtlijn CSRD vraagt van grotere bedrijven dat ze rapporteren over klimaatgerelateerde risico's. En die risico's inschatten vereist klimaatscenario's.

Als het doorrekenen van die scenario's honderd keer goedkoper wordt, dan ontstaat er ruimte voor meer gedetailleerde, regionale analyses. Kun je je voorstellen wat dat betekent als je als MKB-ondernemer in de agrarische sector of logistiek werkt? De kans groeit dat je over een paar jaar toegang hebt tot klimaatrisicoprofielen die nu alleen voor multinationals beschikbaar zijn.

Energie en duurzaamheid

Voor bedrijven in de energiesector is de link nog directer. Betere en snellere klimaatmodellen helpen bij het voorspellen van wind- en zonne-energieopbrengsten, het plannen van infrastructuur en het inschatten van extreme weersituaties. NVIDIA noemt in een eigen technische blogpost dat AI-klimaatmodellen het mogelijk maken om simulaties te draaien die voorheen te duur waren, waardoor lokale en regionale planning verbetert.

De kanttekening

Een belangrijke beperking die ik wil benoemen: SamudrACE is vooralsnog alleen getraind op pre-industriële klimaatomstandigheden. Het model is dus nog niet geschikt om toekomstige klimaatscenario's met verhoogde CO₂-concentraties door te rekenen. De onderzoekers geven zelf aan dat ze van plan zijn het model opnieuw te trainen met hogere CO₂-waarden. Dat is een wezenlijk punt — het verschil tussen "het werkt in het lab" en "het is bruikbaar in de praktijk" zit precies in die stap.

De bredere trend: AI als versneller van wetenschappelijke modellen

Wat mij hier opvalt, is dat dit past in een breder patroon. We zien steeds vaker dat AI-modellen worden ingezet niet om wetenschappelijke modellen te vervangen, maar om ze na te bootsen tegen een fractie van de kosten. Dat geldt voor klimaat, maar ook voor materiaalkunde, geneesmiddelontwikkeling en technische simulaties.

Voor ondernemers is de les misschien niet dat je morgen een klimaatemulator moet aanschaffen. Het punt is eerder dat de kosten van complexe simulaties — in welk domein dan ook — aan het dalen zijn. En als iets goedkoper wordt, wordt het toegankelijker. Dat is historisch gezien het moment waarop nieuwe markten en toepassingen ontstaan.

Voor mij is dit vooral een signaal dat de afstand tussen wetenschappelijk onderzoek en praktische bedrijfstoepassingen kleiner wordt. Niet van de ene op de andere dag, maar sneller dan veel ondernemers verwachten.