هوش‌ مصنوعی تا کجا توفان‌ها را پیش‌بینی می‌کند

به گزارش خبرگزاری آنا؛ پیش‌بینی هوا در قرن نوزدهم بیشتر بر مشاهده و تجربه استوار بود. هواشناسان سامانه‌های جوی را روی نقشه دنبال می‌کردند و با نگاه به رفتار گذشته هوا، درباره آینده آن حدس می‌زدند. در آغاز قرن بیستم، ایده دیگری مطرح شد: اگر بتوان قوانین فیزیکی حاکم بر جریان هوا و ترمودینامیک را به زبان ریاضی درآورد، شاید بتوان رفتار آینده جو را محاسبه کرد.

به گزارش «ییل اِن‌وایرِنمِنت ۳۶۰» (Yale Environment 360)، این ایده با ظهور رایانه‌های قدرتمند در دهه ۱۹۶۰ به‌تدریج عملی شد و «پیش‌بینی عددی هوا» شکل گرفت. در سال ۱۹۷۵ نیز مرکز اروپایی پیش‌بینی‌های میان‌مدت هواشناسی (ECMWF) به‌عنوان یک سازمان بین‌دولتی مستقل ایجاد شد تا با تجمیع منابع کشور‌های اروپایی، پیش‌بینی‌های جهانی مبتنی بر مدل‌های فیزیکی را اجرا کند.

امروز حجم داده‌های هواشناسی بسیار عظیم است. ییل انوایرونمنت ۳۶۰ گزارش می‌دهد که روزانه بیش از ۲۰۰ میلیارد مشاهده هواشناسی از طریق ماهواره‌ها و ابزار‌های زمینی در سراسر جهان انجام می‌شود. ابرکامپیوتر‌ها این داده‌ها را با مدل‌های فیزیکی ترکیب می‌کنند تا تصویری از وضعیت کنونی جو و مسیر احتمالی آن در روز‌های آینده به دست آید.

این روش در طول دهه‌ها بسیار پیشرفت کرده است. پیتر دوبن، یک توسعه‌دهنده مدل در مرکز اروپایی پیش‌بینی‌های میان‌مدت هواشناسی (ECMWF)، می‌گوید دقت پیش‌بینی‌ها در پنج دهه گذشته تقریبا به اندازه یک روز در هر دهه بهتر شده است؛ به این معنا که پیش‌بینی شش‌روزه امروز، از نظر دقت تقریبا با پیش‌بینی پنج‌روزه یک دهه قبل قابل مقایسه است.

اما همین سامانه‌های قدرتمند، پرهزینه و زمان‌برند. اینجا است که هوش‌مصنوعی وارد ماجرا می‌شود.

هوش‌مصنوعی؛ پیش‌بینی سریع‌تر با محاسبات کمتر

از حدود سال ۲۰۲۲، چندین مدل هوش‌مصنوعی برای پیش‌بینی هوا معرفی شدند. گوگل دیپ‌مایند مدل GraphCast، پژوهشگران مؤسسه فناوری کالیفرنیا مدل FourCast و شرکت هواوی مدل Pangu-Weather را توسعه دادند. مقایسه این مدل‌ها با سامانه‌های پیشرفته پیش‌بینی عددی نشان داد که مدل‌های هوش‌مصنوعی در بسیاری از موارد می‌توانند به عملکردی مشابه یا حتی بهتر، با هزینه محاسباتی بسیار کمتر برسند.

نشریه نیچر در فهرست سالانه فناوری‌های مورد توجه برای سال ۲۰۲۶، «هواشناسی مبتنی بر هوش‌مصنوعی» را در صدر فناوری‌های مورد توجه خود قرار داده است. این نشریه می‌گوید این فناوری در حال سرعت بخشیدن و بهبود پیش‌بینی محلی هوا، ردیابی طوفان‌ها و مدل‌سازی اقلیم جهانی است.

یکی از نقاط عطف این تحول در فوریه ۲۰۲۵ رخ داد؛ زمانی که ECMWF سامانه پیش‌بینی هوش‌مصنوعی (AIFS) خود را عملیاتی کرد. به گزارش ییل انوایرونمنت ۳۶۰، پیش‌بینی‌های تولیدشده با AIFS به حدود هزار برابر انرژی محاسباتی کمتری نسبت به پیش‌بینی‌های غیرهوش‌مصنوعی نیاز دارند. ECMWF همچنین اعلام کرده است که در برخی پدیده‌های جوی، عملکرد AIFS حدود ۲۰ درصد بهتر از مدل‌های فیزیکی پیشرفته این مرکز بوده است؛ هرچند همان گزارش تأکید می‌کند که اندازه‌گیری دقیق میزان این بهبود ساده نیست.

پیتر دوبن در گفت‌و‌گو با ییل انوایرونمنت ۳۶۰ می‌گوید: «در حال حاضر مدل یادگیری ماشین امتیاز‌های بهتری به دست می‌آورد». این تحول فقط به اروپا محدود نیست.

NOAA وارد مرحله عملیاتی می‌شود

«سازمان ملی اقیانوسی و جوی آمریکا» (NOAA) در دسامبر ۲۰۲۵ مجموعه‌ای جدید از مدل‌های عملیاتی پیش‌بینی جهانی مبتنی بر هوش‌مصنوعی را معرفی کرد. این مجموعه شامل سه سامانه است: AIGFS برای پیش‌بینی جهانی هوا، AIGEFS برای ارائه مجموعه‌ای از نتایج احتمالی و HGEFS که مدل‌های فیزیکی و هوش‌مصنوعی را با یکدیگر ترکیب می‌کند.

نیل جیکوبز، مدیر NOAA، این تحول را «جهشی قابل توجه در نوآوری مدل‌های هواشناسی آمریکا» توصیف کرده است.

برای درک تفاوت هزینه محاسباتی کافی است به AIGFS نگاه کنیم. طبق اعلام NOAA، اجرای یک پیش‌بینی ۱۶روزه با این سامانه تنها به ۰.۳ درصد منابع محاسباتی مورد نیاز سامانه جهانی پیش‌بینی (GFS) نیاز دارد و حدود ۴۰ دقیقه طول می‌کشد.

AIGEFS نیز یک سامانه ۳۱عضوی است که به جای ارائه تنها یک مسیر احتمالی، دامنه‌ای از نتایج ممکن را در اختیار هواشناسان قرار می‌دهد. نتایج اولیه NOAA نشان داده است که AIGEFS در مقایسه با GEFS سنتی، توان پیش‌بینی مؤثر را ۱۸ تا ۲۴ ساعت بیشتر حفظ می‌کند.

اما از میان این سه سامانه، شاید HGEFS جالب‌ترین باشد: یک «ابرگروه» ۶۲عضوی که ۳۱ عضو مدل فیزیکی GEFS را با ۳۱ عضو مدل هوش‌مصنوعی AIGEFS ترکیب می‌کند. NOAA می‌گوید این سامانه در بیشتر معیار‌های اصلی ارزیابی، از هر یک از دو رویکرد به‌تنهایی عملکرد بهتری داشته است. این سازمان همچنین می‌گوید، تا آنجا که اطلاع دارد، نخستین سازمانی است که چنین سامانه ترکیبی فیزیکی-هوش‌مصنوعی را به شکل عملیاتی به کار گرفته است.

اما با وقوع طوفان بی‌سابقه چه می‌شود؟

قدرت هوش‌مصنوعی در همین‌جا با یک پرسش جدی روبه‌رو می‌شود: اگر چیزی که قرار است فردا رخ دهد، در داده‌های گذشته وجود نداشته باشد، مدل چگونه می‌تواند آن را پیش‌بینی کند؟

یک مطالعه منتشرشده در ماه مه ۲۰۲۵ در مجموعه مقالات آکادمی ملی علوم آمریکا (PNAS) این مسئله را آزمایش کرد. پژوهشگران دانشگاه شیکاگو، دانشگاه کالیفرنیا، سانتا کروز و دانشگاه نیویورک شبکه‌ای عصبی را با داده‌های چند دهه آموزش دادند، اما تمام طوفان‌های قوی‌تر از رده ۲ را از داده‌های آموزشی حذف کردند. سپس شرایط جوی‌ای را به مدل دادند که در چند روز به شکل‌گیری یک طوفان رده ۵ منجر می‌شد.

نتیجه روشن بود: مدل شدت واقعی طوفان را پیش‌بینی نکرد و آن را همچنان در حد یک طوفان رده ۲ برآورد کرد.

یونگ‌کیانگ سان، پژوهشگر دانشگاه شیکاگو، درباره نتیجه آزمایش می‌گوید: «مدل می‌داند چیزی در راه است، اما همیشه پیش‌بینی می‌کند که فقط یک طوفان رده ۲ خواهد بود».

پدرام حسن‌زاده، دانشیار علوم ژئوفیزیک دانشگاه شیکاگو و از نویسندگان این مطالعه، نیز می‌گوید: «این مدل‌ها برای هوای روزمره واقعا خوب عمل می‌کنند. اما اگر هفته آینده یک رویداد جوی عجیب رخ دهد چه؟».

این محدودیت در برابر آنچه پژوهشگران «قوی خاکستری» می‌نامند اهمیت زیادی دارد؛ رویداد‌هایی بسیار شدید که احتمال وقوعشان کم است، اما ناممکن نیستند و ممکن است نمونه‌های کافی از آنها در داده‌های آموزشی وجود نداشته باشد.

یک نکته امیدوارکننده

با این حال، همان پژوهش یک نتیجه جالب و امیدوارکننده هم داشت.

پژوهشگران دریافتند اگر نمونه‌ای از یک رویداد شدید در یک منطقه از جهان وجود داشته باشد، حتی اگر مدل آن رویداد را در منطقه دیگری ندیده باشد، ممکن است بتواند از آن تجربه برای پیش‌بینی رویداد مشابه در منطقه جدید استفاده کند.

به عبارت دیگر، هوش‌مصنوعی الزاماً برای پیش‌بینی هر رویداد شدید به نمونه‌ای دقیق از همان رویداد در همان منطقه نیاز ندارد. وجود نمونه‌های مشابه در جای دیگر می‌تواند به مدل امکان دهد از آنچه آموخته است فراتر برود.