كشف Google DeepMind عن نموذج ذكاء اصطناعي أفضل في التنبؤ بالطقس من أفضل الأنظمة الحالية. النموذج الجديد، المسمى GenCast، هو”https://www.nature.com/articles/s41586-024-08252-9″>نشرت في طبيعة اليوم.
هذا هو نموذج الطقس الثاني القائم على الذكاء الاصطناعي الذي أطلقته Google في الأشهر القليلة الماضية فقط. وفي يوليو/تموز، نشرت تفاصيل”https://www.technologyreview.com/2024/07/22/1095184/a-new-weather-prediction-model-from-google-combines-ai-with-traditional-physics/”> العصبيةGCMوهو نموذج يجمع بين الذكاء الاصطناعي والأساليب القائمة على الفيزياء مثل تلك المستخدمة في أدوات التنبؤ الحالية. كان أداء هذا النموذج مشابهًا للطرق التقليدية ولكنه استخدم طاقة حاسوبية أقل.
يختلف GenCast، لأنه يعتمد على أساليب الذكاء الاصطناعي وحدها. إنه يعمل مثل ChatGPT، ولكن بدلاً من التنبؤ بالكلمة التالية الأكثر احتمالاً في الجملة، فإنه ينتج حالة الطقس التالية الأكثر احتمالاً. في التدريب، يبدأ بمعلمات عشوائية، أو أوزان، ويقارن هذا التنبؤ ببيانات الطقس الحقيقية. على مدار التدريب، تبدأ معلمات GenCast في التوافق مع الطقس الفعلي.
تم تدريب النموذج على 40 عامًا من بيانات الطقس (من 1979 إلى 2018) ثم قام بإنشاء توقعات لعام 2019. وفي تنبؤاته، كان أكثر دقة من أفضل التوقعات الحالية، Ensemble Forecast، ENS، بنسبة 97٪ من الوقت، و وكان أفضل في التنبؤ بظروف الرياح والطقس القاسي مثل مسار الأعاصير المدارية. تعمل القدرة الأفضل على التنبؤ بالرياح على زيادة صلاحية طاقة الرياح، لأنها تساعد المشغلين على حساب متى يجب عليهم تشغيل وإيقاف توربيناتهم. ومن الممكن أن تساعد التقديرات الأفضل للطقس المتطرف في التخطيط للكوارث الطبيعية.
Google DeepMind ليست شركة التكنولوجيا الكبيرة الوحيدة التي تطبق الذكاء الاصطناعي للتنبؤ بالطقس. صدرت نفيديا”https://arxiv.org/abs/2202.11214?mc_cid=2622455cb4&mc_eid=51768751d5″> فور كاست نت في عام 2022. وفي عام 2023، قامت شركة هواوي بتطوير منتجاتها”https://www.technologyreview.com/2023/07/05/1075897/new-ai-systems-could-speed-up-our-ability-to-create-weather-forecasts/”> بانجو الطقس النموذج، الذي تدرب على 39 عامًا من البيانات. فهو ينتج تنبؤات حتمية – تلك التي توفر رقمًا واحدًا بدلاً من نطاق، مثل التنبؤ بأن درجة الحرارة غدًا ستصل إلى 30 درجة فهرنهايت أو 0.7 بوصة من الأمطار.
يختلف GenCast عن Pangu-Weather من حيث أنه ينتج تنبؤات احتمالية – احتمالات لنتائج الطقس المختلفة بدلاً من التنبؤات الدقيقة. على سبيل المثال، قد تكون التوقعات “هناك احتمال بنسبة 40% لوصول درجة الحرارة إلى 30 درجة فهرنهايت” أو “هناك احتمال بنسبة 60% لسقوط أمطار بمعدل 0.7 بوصة غدًا”. يساعد هذا النوع من التحليل المسؤولين على فهم احتمالية حدوث أحداث جوية مختلفة والتخطيط وفقًا لذلك.
هذه النتائج لا تعني نهاية الأرصاد الجوية التقليدية كمجال. تم تدريب النموذج على الظروف الجوية الماضية، وقد يؤدي تطبيقها على المستقبل البعيد إلى تنبؤات غير دقيقة لمناخ متغير وغير منتظم بشكل متزايد.
لا يزال GenCast يعتمد على مجموعة بيانات مثل ERA5، وهو تقدير كل ساعة لمتغيرات الغلاف الجوي المختلفة التي يعود تاريخها إلى عام 1940، كما يقول آرون هيل، الأستاذ المساعد في كلية الأرصاد الجوية بجامعة أوكلاهوما، والذي لم يشارك في هذا البحث . ويقول: “إن العمود الفقري لـ ERA5 هو نموذج قائم على الفيزياء”.
بالإضافة إلى ذلك، هناك العديد من المتغيرات في غلافنا الجوي التي لا نلاحظها بشكل مباشر، لذلك يستخدم علماء الأرصاد الجوية معادلات فيزيائية لمعرفة التقديرات. يتم دمج هذه التقديرات مع بيانات الرصد التي يمكن الوصول إليها لتغذيتها في نموذج مثل GenCast، وستكون هناك حاجة دائمًا إلى بيانات جديدة. يقول إيلان برايس، الباحث في DeepMind وأحد مبدعي GenCast: “النموذج الذي تم تدريبه حتى عام 2018 سيكون أداؤه أسوأ في عام 2024 مقارنة بالنموذج الذي تم تدريبه حتى عام 2023 في عام 2024”.
في المستقبل، تخطط DeepMind لاختبار النماذج مباشرةً باستخدام بيانات مثل قراءات الرياح أو الرطوبة لمعرفة مدى جدوى إجراء تنبؤات بناءً على بيانات المراقبة وحدها.
ولا تزال هناك أجزاء كثيرة من التنبؤ لا تزال نماذج الذكاء الاصطناعي تواجه صعوبات فيها، مثل تقدير الظروف في طبقة التروبوسفير العليا. وعلى الرغم من أن النموذج قد يكون جيدًا في التنبؤ بالمكان الذي قد يذهب إليه الإعصار المداري، إلا أنه لا يتنبأ بشدة الأعاصير، لأنه لا توجد بيانات كافية عن الشدة في تدريب النموذج.
الأمل الحالي هو أن يعمل خبراء الأرصاد الجوية جنبًا إلى جنب مع GenCast. يقول برايس: “هناك خبراء أرصاد جوية فعليون ينظرون إلى التوقعات، ويصدرون أحكامًا، وينظرون إلى بيانات إضافية إذا لم يثقوا في توقعات معينة”.
يوافق هيل. ويقول: “إن قيمة الإنسان القادر على تجميع هذه القطع معًا هي التي يتم التقليل من قيمتها بشكل كبير عندما نتحدث عن أنظمة التنبؤ بالذكاء الاصطناعي”. “يبحث المتنبئون البشريون عن المزيد من المعلومات، ويمكنهم استخلاص تلك المعلومات لتقديم تنبؤات جيدة حقًا.”