شهریور
اخبار
دقیقترین مدل هواشناسی گوگل؛ آشنایی با WeatherNext 3
گوگل دیپمایند از نسل تازهی مدل هواشناسی هوش مصنوعی خود رونمایی کرد؛ سامانهای که هوا را ساعتبهساعت و با دقتی پنجبرابری نسبت به نسخهی قبلی پیشبینی میکند.
لیست مطالب
۱. چرا پیشبینی هوا حالا یک میدان رقابت هوش مصنوعی شده؟
پیشبینی هوا سالهاست با مدلهای فیزیکی سنگین و ابررایانههای دولتی انجام میشود؛ روشی دقیق اما کند و پرهزینه. در چند سال اخیر، غولهای فناوری مثل گوگل، مایکروسافت و انویدیا وارد این میدان شدهاند تا با یادگیری عمیق، همان دقت را با سرعتی بسیار بالاتر و هزینهای بسیار پایینتر ارائه دهند. WeatherNext 3 تازهترین و به گفتهی گوگل، پیشرفتهترین قدم در همین مسیر است. برای آشنایی بیشتر با اینکه هوش مصنوعی چه تواناییها و محدودیتهای واقعیای دارد، میتوانید این مقاله را هم بخوانید.
گوگل دیپمایند از سالها پیش روی مدلهای یادگیری عمیق برای هواشناسی کار میکند؛ از پروژهی اولیهی GraphCast که برای اولینبار نشان داد شبکههای عصبی میتوانند در سرعت و دقت از مدلهای فیزیکی سنتی جلو بزنند، تا نسل اول و دوم WeatherNext که بهتدریج در محصولات گوگل ادغام شدند. نسخهی دوم که سال گذشته معرفی شد، توانست پیشبینی مسیر توفانهای حارهای را تا یک روز زودتر از مدلهای رقیب انجام دهد. نسخهی سوم دقیقاً روی همان پایه ساخته شده، اما با دادههای بیشتر، پارامترهای بیشتر و معماری بهروزشده به سطح تازهای از دقت رسیده است.
۲. تفاوت WeatherNext 3 با نسخهی قبلی
نسخهی دوم این مدل هر شش ساعت یکبار پیشبینیهای خود را بهروزرسانی میکرد و رزولوشن مکانی آن بین پانزده تا بیستوپنج کیلومتر بود. نسخهی سوم این چرخه را به یک ساعت کاهش داده و برای متغیرهای سطحی مثل دما و رطوبت به رزولوشن پنج کیلومتر رسیده است؛ برای سرعت باد در لایههای جوی نیز عدد بیستوپنج کیلومتر حفظ شده. گوگل میگوید این مدل نسبت به نسخهی قبلی حدود دوونیم برابر پارامتر بیشتر دارد و در مجموع نزدیک به پنج برابر تصویر شفافتری از وضعیت جو ارائه میدهد.
۳. معماری فنی؛ چگونه این مدل هوا را پیشبینی میکند؟
در قلب WeatherNext 3 یک شبکهی مولد تابعی موسوم به Functional Generative Network نشسته که بر پایهی معماری ترنسفورمر ساخته شده است. برخلاف بسیاری از مدلهای رقیب که تنها روی دادههای رسمی و فرمتشدهی دولتی تمرین میبینند، این مدل مستقیماً دادههای خام ماهوارههای زمینثابت را بهصورت لحظهای دریافت میکند و آنها را در کنار دادههای تاریخی و مشاهدات پراکندهی ایستگاههای هواشناسی پردازش میکند. برای بخش بارش هم از مجموعهدادههای دقیق ماهوارهای ناسا موسوم به IMERG و بازتحلیل رادار ماهوارهای خود گوگل بهره میبرد. کسانی که میخواهند با منطق کار مدلهای زبانی و تولیدی هوش مصنوعی بیشتر آشنا شوند، میتوانند سری آموزشهای آموزش چتجیپیتی را هم دنبال کنند.
۴. عددهایی که مهماند؛ دقت پیشبینی بارش
مهمترین جهش این مدل در پیشبینی بارش دیده میشود؛ بخشی که همیشه پاشنهی آشیل مدلهای فیزیکی سنتی بوده است. طبق اعداد منتشرشده از سوی گوگل، دقت پیشبینی بارش نسبت به مجموعهدادهی ماهوارهای IMERG تا شصت درصد و نسبت به دادههای رادار زمینی MRMS نزدیک به سی درصد بهتر شده. حتی در مقایسه با اندازهگیری مستقیم بارانسنجها هم ده درصد بهبود ثبت شده است. نتیجهی عملی این عددها، هشدارهای زودهنگامتر برای سیلهای ناگهانی و توفانهای محلی است؛ چیزی که میتواند در کشورهایی با زیرساخت هواشناسی ضعیف، جان انسانها را نجات دهد.
۵. مقایسه با رقبا: مایکروسافت، انویدیا و مراکز رسمی هواشناسی
گوگل مدعی است WeatherNext 3 در آزمون معتبر و مستقل Operational WeatherBench بالاترین رتبه را کسب کرده؛ رتبهای بالاتر از مدلهای یادگیری عمیق مایکروسافت و انویدیا و حتی بالاتر از پیشبینیهای عملیاتی سازمانهای رسمی مثل سرویس ملی هواشناسی آمریکا و مرکز اروپایی پیشبینی هوای میانمدت. رقیب دیگری هم به نام WeatherMesh 6 از شرکت WindBorne وجود دارد که از اواخر سال ۲۰۲۵ دادههای خام بادکنکهای هواشناسی را نیز پردازش میکند، اما گوگل ادعا میکند رزولوشن جهانی مدل خودش بالاتر است. این رقابت نشان میدهد چطور هوش مصنوعی میتواند حتی حوزههای علمی و زیرساختی را هم متحول کند؛ روندی که در اهمیت هوش مصنوعی در کسبوکار هم به آن پرداختهایم.
رقابت شرکتهای بزرگ فناوری در هواشناسی هوشمند
ورود همزمان چند غول فناوری به حوزهی پیشبینی هوا نشان میدهد این بازار دیگر فقط در اختیار سازمانهای دولتی نیست. همانطور که در رقابت مدلهای زبانی شاهد هستیم، اینجا هم هر شرکت سعی دارد با دادههای اختصاصی و معماری متفاوت، جایگاه بهتری کسب کند؛ موضوعی که کمی شبیه رقابتهای مطرحشده در مقایسهی مدلهای هوش مصنوعی است.
۶. کاربردهای عملی؛ از کشاورزی تا انرژیهای پاک
گوگل تأکید دارد این مدل فقط برای اپلیکیشن هواشناسی روی گوشی ساخته نشده. دادههای سرعت باد در ارتفاع صد متری میتواند برای برآورد دقیقتر تولید برق مزارع بادی استفاده شود و دادههای پوشش ابر و تابش خورشیدی هم برای برنامهریزی نیروگاههای خورشیدی کاربرد دارد. در کنار اینها، پیشبینی دقیقتر بارش میتواند به کشاورزان در زمانبندی آبیاری و برداشت محصول کمک کند و برای شرکتهای حملونقل و زنجیرهی تأمین هم ابزار برنامهریزی بهتری فراهم میکند.
۷. کجا این پیشبینیها را میبینیم؟
نتایج WeatherNext 3 بهصورت مرحلهای در محصولات گوگل فعال میشود: نتایج جستوجوی گوگل، گوگل مپس، اپلیکیشن Gemini و همچنین رابط برنامهنویسی نقشهی هواشناسی گوگل. توسعهدهندگان و پژوهشگران هم میتوانند از طریق BigQuery و Google Earth Engine به دادههای خام این مدل دسترسی داشته باشند یا آنها را بهصورت انبوه از Google Cloud Storage دانلود کنند. کسانی که میخواهند از چنین دادههایی در پروژههای خودشان با کمک هوش مصنوعی بهره ببرند، بد نیست نگاهی هم به آموزش نوشتن پرامپت بیندازند تا بتوانند خروجی بهتری از ابزارهای هوشمند بگیرند.
۸. آیا این مدل بیعیب و نقص است؟
با وجود اعداد چشمگیر، برخی پژوهشگران هواشناسی هشدار میدهند که مدلهای یادگیری عمیق هنوز بهطور کامل جای مدلهای فیزیکی را نمیگیرند. این مدلها روی الگوهای آماری گذشته آموزش دیدهاند و ممکن است در رویدادهای کاملاً نویافته یا شرایط جوی بیسابقه، عملکردی غیرقابلپیشبینی داشته باشند؛ چیزی که مدلهای فیزیکی بهخاطر تکیه بر قوانین دینامیک جو کمتر دچارش میشوند. به همین دلیل، بیشتر سازمانهای هواشناسی رسمی هنوز از ترکیبی از هر دو رویکرد استفاده میکنند تا خطای احتمالی هر مدل با دیگری جبران شود. گوگل هم تأکید کرده دادههای خام این مدل برای پژوهشگران آزاد منتشر شده تا جامعهی علمی بتواند دقت آن را بهطور مستقل بسنجد.
رقیبهای نوظهور در بازار هواشناسی هوشمند
گوگل تنها بازیگر این میدان نیست. استارتاپهایی مثل WindBorne هم با پرتاب بادکنکهای هواشناسی و جمعآوری دادههای خام جو در ارتفاعهای بالا، مدل رقیبی به نام WeatherMesh 6 ساختهاند. تفاوت اصلی در منبع داده است؛ گوگل بیشتر به ماهوارهها و ایستگاههای زمینی تکیه دارد، در حالیکه رقبای کوچکتر با روشهای خلاقانهتر و ارزانتر داده جمع میکنند. همین تنوع باعث میشود در سالهای آینده شاهد رقابتی سالم و پیشرفت سریعتر در این حوزه باشیم.
۹. اهمیت این فناوری برای کشورهای در حال توسعه و آیندهی پیشبینی هوا
یکی از نکات جالب توجه در معرفی این مدل، تمرکز گوگل روی مناطقی است که تا امروز از زیرساخت هواشناسی ضعیفی رنج میبردهاند؛ از جمله بخشهایی از آمریکای لاتین، آفریقا و آسیا-اقیانوسیه. چون WeatherNext 3 بهجای تکیهی صرف بر ایستگاههای زمینی گرانقیمت، از دادههای ماهوارهای عمومی استفاده میکند، میتواند پیشبینیهای دقیقتری حتی در مناطقی ارائه دهد که تا پیش از این هیچ سامانهی هشدار زودهنگام مدرنی نداشتند. پژوهشگران میگویند این موضوع میتواند اثر مستقیمی روی امنیت غذایی و پایداری تولید انرژی تجدیدپذیر در این کشورها بگذارد.
روند کلی نشان میدهد مدلهای یادگیری عمیق بهسرعت جای مدلهای فیزیکی سنتی را در بسیاری از کاربردهای روزمره میگیرند؛ نه لزوماً به این معنا که ابررایانههای هواشناسی کنار گذاشته میشوند، بلکه به این شکل که ترکیبی از دادههای ماهوارهای زنده و شبکههای عصبی، سرعت و دقت را همزمان بالا میبرد. با توجه به رقابت فشردهای که بین گوگل، مایکروسافت، انویدیا و استارتاپهایی مثل WindBorne شکل گرفته، احتمالاً ظرف یکیدو سال آینده شاهد نسخههای دقیقتری از همین فناوری خواهیم بود. برای دنبالکردن اینجور تحولات بهصورت روزانه، سری بزنید به بخش اخبار هوش مصنوعی سایت.
سوالات متداول دربارهی WeatherNext 3
مدل WeatherNext 3 دقیقاً چه چیزی است؟
یک مدل هوش مصنوعی از گوگل دیپمایند و گوگل ریسرچ برای پیشبینی هوای جهانی است که هوا را هر ساعت و با رزولوشن مکانی تا پنج کیلومتر پیشبینی میکند.
این مدل چه زمانی در دسترس کاربران عادی قرار میگیرد؟
گوگل از سوم سپتامبر ۲۰۲۶ استقرار این مدل را در جستوجو، نقشهها و اپلیکیشن Gemini آغاز کرده و این فرایند بهتدریج ادامه دارد.
آیا این مدل جای مراکز رسمی هواشناسی را میگیرد؟
خیر؛ گوگل همچنان از دادههای عمومی و ایستگاههای رسمی استفاده میکند، اما ادعا دارد با ترکیب این دادهها با هوش مصنوعی، دقت بالاتری نسبت به بسیاری از سامانههای عملیاتی رسمی ارائه میدهد.
چرا دقت پیشبینی بارش اینقدر مهم است؟
چون بارشهای ناگهانی و توفانهای محلی از سختترین پدیدهها برای پیشبینی هستند و خطای کوچک در این بخش میتواند به هشدارهای دیرهنگام سیل یا آسیب به کشاورزی منجر شود.
آیا دادههای این مدل برای پژوهشگران هم آزاد است؟
بله؛ گوگل بخشی از دادهها و مستندات فنی این مدل را از طریق BigQuery و Google Earth Engine در اختیار توسعهدهندگان و پژوهشگران قرار داده تا بتوانند دقت آن را مستقل ارزیابی کنند.
نسخهٔ فوری این مطلب در تلگرام: اینجا بخوانید
