شرکت هوش مصنوعی DeepMind مدعی ثبت رکوردی تازه در پیش‌بینی زودهنگام طوفان‌ها شد

در اکتبر ۲۰۲۵، سامانه‌ای طوفانی در دریای کارائیب شکل گرفت و مدل‌های پیش‌بینی هواشناسی درباره مسیر آینده آن نظرهای متفاوتی داشتند.

آن موقع مشخص نبود این سامانه ضعیف باقی می‌ماند و در نهایت به سمت هائیتی می‌رود یا قدرت می‌گیرد و مسیر خود را به سوی جامائیکا تغییر می‌دهد. مدل هوش مصنوعی WeatherNext که توسط دیپ‌مایند و گوگل ریسرچ توسعه یافته است، احتمال دوم را پیش‌بینی کرد. این مدل پنج روز پیش از رسیدن طوفان به خشکی، با اطمینان ۸۰ درصد اعلام کرد که این سامانه به‌عنوان یک توفند رده ۵ به جامائیکا خواهد رسید.

طوفان Melissa خسارت‌های گسترده‌ای به همراه داشت و باعث جاری شدن سیل و وقوع رانش زمین در بخش‌های مختلف جامائیکا شد. با این حال، مدل هوش مصنوعی به کارشناسان هواشناسی کمک کرد تا هشدارها را زودتر به جوامع در معرض خطر برسانند و مردم فرصت بیشتری برای آماده‌سازی پیدا کنند.

در مقاله‌ای که روز پنجشنبه در نشریه Nature منتشر شد، پژوهشگران اعلام کردند مدل هوش مصنوعی WeatherNext توانایی پیش‌بینی چرخه‌های طوفانی را با دقتی بی‌سابقه دارد. این سامانه به‌طور میانگین یک روز زمان بیشتری نسبت به مدل‌های فعلی در اختیار پیش‌بینی‌کنندگان قرار می‌دهد؛ به این معنا که پیش‌بینی سه روز آینده توسط آن، از نظر دقت با پیش‌بینی دو روز آینده مدل‌های قدیمی برابری می‌کند. در شرایط واقعی، همین یک روز اضافه می‌تواند اهمیت بسیار زیادی داشته باشد.

مایک برنان، مدیر مرکز ملی توفندهای ایالات متحده، درباره اهمیت این زمان اضافه‌شده گفت:

حتی چند ساعت بیشتر هم می‌تواند تفاوت بزرگی ایجاد کند. او توضیح داد که برنامه‌ریزی برای تخلیه مناطق، آماده‌سازی تجهیزات و انتقال منابع برای مقابله با خطر یک توفند، همگی به زمان وابسته هستند و یک تصمیم اشتباه می‌تواند پیامدهای سنگینی داشته باشد. زمان در چنین تصمیم‌هایی واقعاً ارزشمند است، بنابراین توانایی افزایش دقت پیش‌بینی‌ها تا حدود یک روز بیشتر از آنچه تاکنون امکان داشت، یک مزیت بسیار مهم محسوب می‌شود.

پژوهشگران می‌گویند در گذشته افزایش زمان پیش‌بینی قابل اعتماد حتی به اندازه یک روز، معمولاً به حدود یک دهه تحقیق و توسعه نیاز داشت. مدل‌سازی پدیده‌های شدید آب‌وهوایی برای هوش مصنوعی کار ساده‌ای نیست. الگوریتم‌های یادگیری ماشین برای پیش‌بینی آینده به حجم زیادی از داده‌های آموزشی نیاز دارند، اما رویدادهای شدید به دلیل ماهیت خود بسیار کم‌تکرار هستند.

فران آلت، دانشمند پژوهشی در گوگل دیپ‌مایند و یکی از نویسندگان اصلی مقاله، توضیح داد:

داده‌های زیادی درباره طوفان‌های حاره‌ای نداریم، اما حجم عظیمی از اطلاعات مربوط به وضعیت هوا در اختیارمان است. کاری که انجام دادیم این بود که مدلی آموزش دادیم که هم در پیش‌بینی شرایط عمومی آب‌وهوا عملکرد خوبی داشته باشد و هم بتواند طوفان‌های حاره‌ای را به‌درستی تحلیل کند.

کیت ماسگریو، رهبر گروه طوفان‌های حاره‌ای در مؤسسه همکاری پژوهشی برای علوم جوی و یکی از نویسندگان مقاله، می‌گوید پیش‌بینی توفندها دشوار است، زیرا این پدیده‌ها در مقیاس‌های مکانی مختلف فعالیت می‌کنند. به گفته او، برای پیش‌بینی مسیر حرکت یک طوفان، یعنی جهتی که سامانه در آن پیش می‌رود، اطلاعاتی در مقیاس جهانی لازم است؛ داده‌هایی مانند محل جبهه‌های سرد و جریان‌های غالب باد. اما پیش‌بینی شدت طوفان به اطلاعات بسیار جزئی‌تر نیاز دارد که شرایط محلی جو و اقیانوس را بررسی می‌کنند.

ماسگریو گفت:

چنین اطلاعاتی چیزی نیست که معمولاً از مدل‌های جهانی دریافت کنیم. مدل‌های هوش مصنوعی قبلی در پیش‌بینی مسیر حرکت طوفان‌ها عملکرد خوبی داشتند، اما در پیش‌بینی شدت آن‌ها تقریباً موفق نبودند.

پیش‌بینی همزمان مسیر و قدرت یک طوفان اهمیت زیادی دارد، زیرا تغییر در شدت می‌تواند تفاوت میان یک سامانه نسبتاً ضعیف و یک توفند بسیار خطرناک را رقم بزند. گاهی مانند اتفاقی که برای توفند Melissa رخ داد، یک سامانه طوفانی در مدت کوتاهی قدرت می‌گیرد و شرایط اضطراری ایجاد می‌کند.

Melissa نخستین موردی بود که مرکز ملی توفندها توانست وقوع یک توفند رده ۵ را زمانی پیش‌بینی کند که آن سامانه هنوز تنها در مرحله رده ۱ قرار داشت. پیش از استفاده عملی از مدل WeatherNext در پیش‌بینی‌های روزمره، پژوهشگران عملکرد آن را با داده‌های گذشته بررسی کردند.

کیت ماسگریو گفت:

نتایج آن‌قدر خوب بودند که شک داشتیم آیا در آزمایش‌های زنده و لحظه‌ای هم همین عملکرد را مشاهده خواهیم کرد یا نه. اما زمانی که پیش‌بینی‌کنندگان استفاده از این مدل را در فعالیت‌های خود آغاز کردند، همان سطح عملکرد حفظ شد. فکر می‌کنم همه از میزان موفقیت این مدل شگفت‌زده شدند.

حتی پژوهشگران گوگل دیپ‌مایند که روی WeatherNext کار کرده‌اند، هنوز به‌طور کامل نمی‌دانند این مدل چگونه با استفاده از داده‌های جوی با وضوح پایین‌تر نسبت به مدل‌های سنتی، چنین پیش‌بینی‌های دقیقی درباره شدت طوفان انجام می‌دهد.

فران آلت گفت:

وقتی به جامعه علمی اعلام کردیم مدل ما فقط از داده‌هایی با وضوح نسبتاً پایین استفاده می‌کند، بسیاری شگفت‌زده شدند، زیرا این موضوع نشان می‌دهد اطلاعات کم‌جزئیات‌تر می‌توانند نشانه‌های بیشتری درباره اتفاقات آینده در خود داشته باشند؛ چیزی که پیش از این تصور نمی‌شد.

به گفته پژوهشگران، احتمالاً مدل هوش مصنوعی در داده‌های کم‌وضوح، الگوهایی را شناسایی می‌کند که به آن اجازه می‌دهد شدت طوفان را پیش‌بینی کند، اما هنوز مشخص نیست این الگوها دقیقاً چه هستند.

آلت توضیح داد:

در نهایت این مدل مانند یک جعبه سیاه است، اما همین موضوع به فیزیک‌دانان نشان می‌دهد فرآیندی در حال رخ دادن است که پیش از این درک نشده بود.

مدل WeatherNext تنها یک نتیجه احتمالی ارائه نمی‌دهد، بلکه مجموعه‌ای از سناریوهای مختلف درباره مسیر رشد یک طوفان تولید می‌کند. این ویژگی به شناسایی اثر پروانه‌ای کمک می‌کند؛ مفهومی که در آن یک تغییر کوچک در روند اولیه می‌تواند در ادامه به تفاوت‌های بسیار بزرگ منجر شود.

آلت می‌گوید که پیش‌بینی‌کنندگان می‌توانند این خروجی‌ها را در کنار نتایج مدل‌های دیگر بررسی کنند تا تصویر دقیق‌تری از روند احتمالی یک سامانه طوفانی به دست آورند. سال گذشته این مدل برای هر طوفان ۵۰ سناریو تولید می‌کرد، اما اکنون توانایی ایجاد هزار سناریو برای هر سامانه را دارد.

کیت ماسگریو گفت:

با توان پردازشی فعلی، انجام چنین کاری با مدل‌های عددی سنتی موجود برای ما امکان‌پذیر نیست.

مایک برنان معتقد است مدل گوگل دیپ‌مایند ابزار تازه و ارزشمندی برای پیش‌بینی‌کنندگان فراهم کرده است، اما تأکید می‌کند که این سامانه تنها یکی از ابزارهای موجود خواهد بود.

او گفت:

هیچ تضمینی وجود ندارد که یک مدل مشخص، فقط به دلیل عملکرد عالی در سال گذشته یا موفقیت در یک طوفان خاص، الزاماً بهترین گزینه برای فصل آینده یا طوفان بعدی باشد. یک توفند فقط یک پیش‌بینی درباره مسیر یا شدت نیست. کارشناسان باید این اطلاعات را به پیامدهای واقعی تبدیل کنند، زیرا این پیامدها هستند که جان انسان‌ها را تهدید می‌کنند.

شرکت دیپ‌مایند اعلام کرده مدل‌های WeatherNext که در فصل توفندها مورد استفاده قرار گرفته‌اند، به‌صورت متن‌باز در اختیار پژوهشگران قرار خواهند گرفت تا بتوانند از آن‌ها استفاده کنند و به بهبود عملکردشان کمک کنند. فران آلت امیدوار است باز کردن دسترسی به این مدل‌ها برای جامعه علمی، به کشف اطلاعات تازه درباره نحوه شکل‌گیری و رفتار طوفان‌های حاره‌ای منجر شود.

او گفت:

من برای کشف‌های علمی بسیار هیجان‌زده هستم. فکر می‌کنم هوش مصنوعی ابزارهای تازه‌ای در اختیار ما قرار می‌دهد تا قوانین جهان را بهتر بررسی کنیم.