Копаясь в мусоре истории, чтобы строить будущее
Дата — 12 марта 2026 года. Мы привыкли, что ИИ предсказывает фондовые рынки, пишет код и генерирует фото котиков. Но в тихих лабораториях Google Research идет другая работа. Там целая фабрика инструментов решает задачи, о которых обычный пользователь даже не задумывается. Одна из них — как остановить внезапные паводки, убивающие тысячи людей каждый год.
Решение оказалось парадоксальным. Нет, это не только спутниковые снимки и сложные гидрологические модели. Это — старые, пожелтевшие от времени новости из местных газет Бангладеш, Бразилии или Индонезии. И ключом к ним стала самая большая языковая модель Google — Gemini 3 Pro.
Зачем ИИ читать про наводнение 1987 года?
Вопрос не праздный. Традиционные системы вроде Flood Hub полагаются на данные в реальном времени: осадки, уровень рек, влажность почвы. Они хороши для прогноза за 2-3 дня. Но внезапные паводки, особенно в горных районах, случаются за считанные часы. Спутники их часто «не видят» из-за облаков. Датчиков на всех ручьях не поставишь.
А вот местный репортер 30 лет назад описал все подробно. «Вода пришла со стороны старой мельницы после трехдневного ливня», «размыло дорогу у дуплистого дуба», «первыми подтопило дома в низине у рынка». Эти описания — золотая жила. Они содержат паттерны, которые повторяются раз в поколение. Проблема в том, что этих описаний — миллионы, на сотнях языков и диалектов, и они похоронены в микрофильмах и пыльных PDF.
Gemini 3 как археолог катастроф
Здесь на сцену выходит Gemini 3 Pro, последняя на март 2026 года мультимодальная модель Google. Но используют ее не для генерации, а для сверхточечного анализа. Инженеры Groundsource загружают в ее контекстное окно (которое к этому времени расширили до 2 млн токенов для исследовательских задач) оцифрованные архивы местных СМИ.
Задача ставится специфично: «Найди во всех статьях за 1970-2010 годы описание последствий паводков. Извлеки: 1) Локацию (деревня, район, ориентир). 2) Триггер (интенсивность дождя, продолжительность). 3) Время между дождем и пиком воды. 4) Уязвимую инфраструктуру».
| Компонент системы | Что делает | Технология (на 12.03.2026) |
|---|---|---|
| Сбор и оцифровка данных | Поиск и сканирование архивов газет, перевод при необходимости | Google Books, партнерские библиотеки, обновленный Google Translate на Gemini |
| Анализ текста | Извлечение структурированной информации из неформальных описаний | Gemini 3 Pro с кастомными промптами, режимом глубокого анализа (аналогично криптографическому кейсу) |
| Прогностическое моделирование | Интеграция извлеченных паттернов с данными датчиков | Гибридная модель (LSTM + физическая модель), обновленная версия Flood Hub |
Звучит просто? На практике это адская работа по промпт-инжинирингу. Нужно научить модель отличать метафору («море проблем») от буквального описания («море грязи затопило поля»), понимать устаревшие топонимы, фильтровать журналистские преувеличения.
Ирония в том, что такой проект стал возможен именно сейчас, когда бесплатный доступ к Gemini API закрыт. Каждый запрос к Gemini 3 Pro стоит денег, а для анализа миллионов статей счет идет на десятки тысяч долларов. Google может себе это позволить, но для независимых исследователей этот барьер почти непреодолим.
Что получилось? Цифры и скепсис
По внутренним данным, к марту 2026 года система Groundsource обработала свыше 4,5 миллионов новостных статей из 12 стран. В модель Flood Hub добавили более 50 000 новых исторических «паттернов паводков». Это позволило, по заявлениям Google, увеличить точность предупреждений о внезапных паводках в пилотных регионах на 18-22%.
Но давайте по-честному. 22% — это много или мало? Для метеорологии — прорыв. Для семьи, чей дом все еще может смыть, — полумера. Основная проблема не в математике, а в данных: архивы есть не везде, качество сканов ужасное, а в некоторых регионах вообще не было местных газет. Groundsource эффективен там, где было развито местное СМИ. Это создает новый вид цифрового неравенства.
И что дальше? Будущее, которое уже не предскажешь по газетам
Groundsource — это мост между прошлым и будущим. Но прошлое кончилось. Сегодня новости пишут в телеграм-каналах и твиттерах, часто без геолокации, с фото и видео, которые тоже нужно анализировать. Следующий шаг — подключение Gemini к анализу соцсетей в реальном времени. Первые признаки паводка — это фото залитой дороги в инстаграме, панические сообщения в местном чате.
Но здесь ждут новые ловушки: фейки, паника, шутки. Отличить реальный кризис от мема — задача для следующей версии ИИ. И она потребует еще больше вычислительных ресурсов, масштабирования инфраструктуры и, конечно, денег.
Проект Groundsource — это яркий пример того, как самая продвинутая технология (Gemini 3) пригодилась для копания в самом архаичном материале (газетных архивах). Он показывает, что ИИ — это не только про создание нового контента, но и про спасение старой, почти забытой информации. Просто чтобы дать людям несколько лишних часов на спасение. И в этом есть своя, странная, поэзия.
