يمكن لـ DeepMind AI التغلب على أفضل توقعات الطقس

يمكن للذكاء الاصطناعي أن يتنبأ بالطقس قبل 10 أيام بشكل أكثر دقة من عمليات المحاكاة الحديثة الحالية، كما تقول شركة الذكاء الاصطناعي Google DeepMind – لكن خبراء الأرصاد الجوية حذروا من التخلي عن نماذج الطقس القائمة على مبادئ فيزيائية حقيقية والاعتماد فقط على أنماط في البيانات، مع الإشارة إلى من أوجه القصور في نهج الذكاء الاصطناعي.

تعتمد التنبؤات الجوية الحالية على نماذج رياضية، تستخدم الفيزياء وأجهزة الكمبيوتر العملاقة القوية للتنبؤ بشكل حتمي بما سيحدث في المستقبل. أصبحت هذه النماذج أكثر دقة ببطء عن طريق إضافة تفاصيل أكثر دقة، الأمر الذي يتطلب بدوره المزيد من الحسابات وبالتالي أجهزة كمبيوتر أكثر قوة ومتطلبات طاقة أعلى.

وقد اتخذ ريمي لام من Google DeepMind وزملاؤه نهجًا مختلفًا. تم تدريب نموذج GraphCast AI الخاص بهم على أربعة عقود من بيانات الطقس التاريخية من الأقمار الصناعية والرادار والقياسات الأرضية، وتحديد الأنماط التي لا يفهمها حتى Google DeepMind. يقول لام: “مثل العديد من نماذج الذكاء الاصطناعي للتعلم الآلي، ليس من السهل تفسير كيفية عمل النموذج”.

للتنبؤ، يستخدم التطبيق قراءات حقيقية للأرصاد الجوية، مأخوذة من أكثر من مليون نقطة حول الكوكب في لحظتين زمنيتين بفارق ست ساعات، ويتنبأ بالطقس قبل ست ساعات. يمكن بعد ذلك استخدام هذه التنبؤات كمدخلات لجولة أخرى، للتنبؤ بست ساعات أخرى في المستقبل.

أجرى الباحثون في DeepMind هذه العملية باستخدام البيانات من المركز الأوروبي للتنبؤات الجوية متوسطة المدى (ECMWF) لإنشاء توقعات لمدة 10 أيام. ويقولون إنها تفوقت على توقعات ECMWF عالية الدقة “المعيارية الذهبية” (HRES) من خلال تقديم تنبؤات أكثر دقة على أكثر من 90 في المائة من نقاط البيانات التي تم اختبارها. وفي بعض الارتفاعات، ارتفعت هذه الدقة إلى 99.7 في المائة.

ماثيو شانتري يقول في ECMWF، الذي عمل مع جوجل ديب مايند، إن منظمته كانت تنظر في السابق إلى الذكاء الاصطناعي كأداة لتكملة النماذج الرياضية الموجودة، ولكن في الأشهر الثمانية عشر الماضية أصبح يُنظر إليه على أنه شيء يمكن أن يقدم تنبؤات من تلقاء نفسه.

“نحن في ECMWF ننظر إلى هذا باعتباره تقنية مثيرة للغاية لخفض تكاليف الطاقة اللازمة لوضع التوقعات، ولكن من المحتمل أيضًا تحسينها. ربما يكون هناك المزيد من العمل الذي يتعين القيام به لإنشاء منتجات تشغيلية موثوقة، ولكن من المحتمل أن تكون هذه بداية ثورة – هذا هو تقييمنا – في كيفية إنشاء التنبؤات الجوية. يقول Google DeepMind أن إجراء تنبؤات لمدة 10 أيام باستخدام GraphCast يستغرق أقل من دقيقة على جهاز كمبيوتر متطور، في حين أن HRES يمكن أن يستغرق ساعات من العمل. وقت الكمبيوتر العملاق.

لكن بعض خبراء الأرصاد الجوية أعربوا عن حذرهم بشأن تحويل التنبؤ بالطقس إلى الذكاء الاصطناعي.إيان رينفرو يقول باحثون من جامعة إيست أنجليا بالمملكة المتحدة إن شركة GraphCast تفتقر حاليًا إلى القدرة على تنظيم البيانات لحالتها الأولية، وهي عملية تُعرف باسم استيعاب البيانات. في التوقعات التقليدية، يتم وضع هذه البيانات بعناية في المحاكاة بعد إجراء فحوصات شاملة مقابل حسابات الفيزياء والكيمياء لضمان الدقة والاتساق. حاليًا، يحتاج GraphCast إلى استخدام حالات البدء المعدة بنفس الطريقة بواسطة أدوات ECMWF الخاصة.

يقول رينفرو: “لن تقوم جوجل بتشغيل توقعات الطقس في أي وقت قريب، لأنها لا تستطيع استيعاب البيانات”. “ويستغرق استيعاب البيانات عادةً نصف إلى ثلثي وقت الحوسبة في أنظمة التنبؤ هذه.”

ويقول إنه سيكون لديه أيضًا مخاوف بشأن التخلص من النماذج الحتمية القائمة على الكيمياء والفيزياء بالكامل، والاعتماد على مخرجات الذكاء الاصطناعي وحده.

“يمكن أن يكون لديك أفضل نموذج تنبؤ في العالم، ولكن إذا كان الجمهور لا يثق بك، ولا يتصرف، فما الفائدة إذن؟ ويقول: “إذا أصدرت أمرًا بإخلاء 30 ميلاً من الساحل في فلوريدا، ثم لم يحدث شيء، فإنك بذلك قد أهدرت عقودًا من الثقة التي تم بناؤها”. “ميزة النموذج الحتمي هي أنه يمكنك استجوابه، وإذا حصلت على توقعات سيئة، يمكنك استجواب سبب كونها توقعات سيئة ومحاولة استهداف تلك الجوانب للتحسين.”