في حين أن تقنيات التعلم الآلي الجديدة التي تتنبأ بالطقس من خلال التعلم من سنوات من البيانات السابقة سريعة وفعالة للغاية، إلا أنها قد تواجه صعوبات في التنبؤات طويلة الأجل. من ناحية أخرى، تستخدم نماذج الدورة العامة، التي هيمنت على التنبؤ بالطقس على مدى السنوات الخمسين الماضية، معادلات معقدة لنمذجة التغيرات في الغلاف الجوي وإعطاء توقعات دقيقة، لكنها بطيئة للغاية ومكلفة للغاية. ينقسم الخبراء حول الأداة التي ستكون الأكثر موثوقية في المستقبل. لكن النموذج الجديد من جوجل يحاول بدلاً من ذلك الجمع بين الاثنين.
يقول ستيفان هوير، باحث في مجال الذكاء الاصطناعي في مركز أبحاث جوجل والمؤلف المشارك في الدراسة: “إن الأمر لا يتعلق بمواجهة الفيزياء مع الذكاء الاصطناعي. بل يتعلق في الواقع بالفيزياء والذكاء الاصطناعي معًا”.
ولا يزال النظام يستخدم نموذجًا تقليديًا لحساب بعض التغيرات الجوية الكبيرة المطلوبة للتنبؤ. ثم يدمج الذكاء الاصطناعي، الذي يميل إلى الأداء الجيد حيث تفشل النماذج الأكبر حجمًا – عادةً للتنبؤات على مقاييس أصغر من حوالي 25 كيلومترًا، مثل تلك التي تتعامل مع تشكيلات السحب أو المناخات الإقليمية (ضباب سان فرانسيسكو، على سبيل المثال). يقول هوير: “هنا نحقن الذكاء الاصطناعي بشكل انتقائي للغاية لتصحيح الأخطاء التي تتراكم على نطاقات صغيرة”.
ويقول الباحثون إن النتيجة هي نموذج قادر على إنتاج تنبؤات عالية الجودة بشكل أسرع وبقدرة حسابية أقل. ويقولون إن نموذج NeuralGCM دقيق مثل توقعات ما بين يوم واحد و15 يومًا من المركز الأوروبي للتنبؤات الجوية متوسطة المدى (ECMWF)، وهي منظمة شريكة في البحث.
ولكن الوعد الحقيقي الذي تحمله تكنولوجيا مثل هذه لا يكمن في تحسين التنبؤات الجوية لمنطقتك المحلية، كما يقول آرون هيل، الأستاذ المساعد في كلية الأرصاد الجوية بجامعة أوكلاهوما، والذي لم يشارك في هذا البحث. بل يكمن الوعد في أحداث مناخية واسعة النطاق، والتي تكون نمذجتها باستخدام التقنيات التقليدية باهظة التكلفة للغاية. وقد تتراوح الاحتمالات بين التنبؤ بالأعاصير المدارية قبل حدوثها بفترة أطول، ونمذجة تغيرات مناخية أكثر تعقيدًا قد تحدث بعد سنوات.
يقول هيل: “إن محاكاة الكرة الأرضية مراراً وتكراراً أو لفترات طويلة من الزمن تتطلب قدراً كبيراً من العمليات الحسابية”. وهذا يعني أن أفضل نماذج المناخ أصبحت مقيدة بالتكاليف الباهظة لقوة الحوسبة، وهو ما يشكل عقبة حقيقية أمام البحوث.
الواقع أن النماذج القائمة على الذكاء الاصطناعي أكثر إحكاما. فبمجرد تدريبها، عادة على 40 عاما من بيانات الطقس التاريخية من المركز الأوروبي للتنبؤات الجوية المتوسطة المدى، يمكن لنموذج التعلم الآلي مثل GraphCast من جوجل يمكن تشغيل النموذج الأولي على أقل من 5500 سطر من التعليمات البرمجية، مقارنة بـ 377 ألف سطر تقريبًا المطلوبة للنموذج من الإدارة الوطنية للمحيطات والغلاف الجوي، وفقًا للورقة البحثية.
وفقًا لما ذكره هيل، يبدو أن نموذج NeuralGCM يقدم حجة قوية مفادها أنه يمكن استخدام الذكاء الاصطناعي في عناصر معينة من نمذجة الطقس لتسريع الأمور، مع الحفاظ على نقاط القوة في الأنظمة التقليدية.
ويقول: “لا ينبغي لنا أن نتخلى عن كل المعرفة التي اكتسبناها على مدى المائة عام الماضية حول كيفية عمل الغلاف الجوي. بل يمكننا في الواقع دمج ذلك مع قوة الذكاء الاصطناعي والتعلم الآلي أيضًا”.
ويقول هوير إن استخدام النموذج للتنبؤ بالطقس على المدى القصير كان مفيدًا في التحقق من صحة توقعاته، ولكن الهدف بالفعل هو القدرة على استخدامه في النمذجة طويلة الأجل، وخاصة لمخاطر الطقس المتطرفة.
إن نموذج NeuralGCM سيكون مفتوح المصدر. وفي حين يقول هوير إنه يتطلع إلى أن يستخدمه علماء المناخ في أبحاثهم، فإن النموذج قد يكون موضع اهتمام أكثر من الأكاديميين فقط. فالتجار في السلع الأساسية والمخططون الزراعيون يدفعون مبالغ باهظة للحصول على تنبؤات عالية الدقة، والنماذج التي تستخدمها شركات التأمين لمنتجات مثل التأمين ضد الفيضانات أو الطقس القاسي تكافح من أجل حساب تأثير تغير المناخ.
وعلى الرغم من أن العديد من المتشككين في الذكاء الاصطناعي في مجال التنبؤ بالطقس قد اقتنعوا بالتطورات الأخيرة، إلا أن مجتمع البحث العلمي يجد صعوبة في مواكبة الوتيرة السريعة، كما يقول هيل. ويقول: “إنها عملية ناجحة للغاية”، إذ يبدو الأمر وكأن جوجل أو إنفيديا أو هواوي تصدر نموذجًا جديدًا كل شهرين. وهذا يجعل من الصعب على الباحثين تحديد أي من الأدوات الجديدة ستكون الأكثر فائدة والتقدم بطلبات للحصول على منح بحثية وفقًا لذلك.
“الشهية موجودة” [for AI]”يقول هيل، “لكنني أعتقد أن الكثير منا ما زالوا ينتظرون لمعرفة ما سيحدث”.
تصحيح: تم تحديث هذه القصة لتوضيح أن ستيفان هوير هو باحث في Google Research، وليس في Google DeepMind.