مرداد
اخبار
مدل WeatherNext ۲ گوگل دیپمایند: پیشبینی طوفان یک روز زودتر با هوش مصنوعی
گوگل دیپمایند از مدل تازهی WeatherNext ۲ رونمایی کرد؛ سامانهای که مسیر و شدت طوفانهای حارهای را یک روز زودتر از مدلهای سنتی پیشبینی میکند و اکنون بهطور کامل متنباز شده است.
لیست مطالب
۱. معرفی مدل WeatherNext ۲؛ نسل تازهی هواشناسی هوشمند گوگل
شرکت گوگل دیپمایند روز پنجشنبه ششم اوت ۲۰۲۶ رسماً از نسل دوم خانوادهی مدلهای WeatherNext رونمایی کرد. این پروژه حاصل همکاری مشترک گوگل دیپمایند، گوگل ریسرچ، مرکز ملی طوفان آمریکا، مؤسسهی همکاری پژوهشی جو و ادارهی هواشناسی بریتانیا است. نتایج این پژوهش در مجلهی معتبر Nature منتشر شده و به گفتهی تیم تحقیقاتی، این مدل گامی بزرگ در مسیر پیشبینی دقیقتر بلایای طبیعی محسوب میشود. علاقهمندان به فناوریهای زیرساختی مشابه میتوانند در بخش اخبار هوش مصنوعی سایت ما آخرین رویدادهای این حوزه را دنبال کنند.
۲. چرا پیشبینی طوفان یکی از سختترین مسائل هواشناسی است؟
پیشبینی مسیر و شدت طوفانهای حارهای همواره یکی از پیچیدهترین چالشهای علم هواشناسی بوده است، چون این پدیدهها بهشدت به شرایط اقیانوسی، فشار هوا و تعامل با جریانهای جوی در مقیاس بزرگ حساساند. مدلهای سنتی عددی برای رسیدن به دقت قابل قبول به ابرکامپیوترهای بسیار قدرتمند و ساعتها زمان پردازش نیاز دارند. همین موضوع باعث شده بسیاری از کشورهای در حال توسعه که بیشترین آسیب را از طوفانها میبینند، دسترسی محدودی به پیشبینیهای دقیق داشته باشند.
۲.۱ محدودیت مدلهای نسل قبل
نسخهی نخست WeatherNext که سال گذشته معرفی شد، توانست برخی از این مشکلات را حل کند، اما هنوز فاصلهی محسوسی با دقت مدلهای عملیاتی بزرگ مثل ECMWF-ENS داشت. تیم دیپمایند برای رفع این فاصله، معماری کاملاً تازهای طراحی کرد.
۳. معماری فنی: شبکههای مولد تابعی (FGN)
در قلب WeatherNext ۲ معماریای به نام شبکههای مولد تابعی یا Functional Generative Networks قرار دارد. برخلاف مدلهای سنتی که یک پیشبینی قطعی تولید میکنند، این معماری قادر است هزاران سناریوی احتمالی مختلف را بهطور همزمان تولید کند و توزیع احتمال دقیقی از آیندهی طوفان ارائه بدهد. جالب اینکه مدل حتی در وضوح مکانی ۲۸ در ۲۸ کیلومتر، یعنی پایینتر از حد معمولی که برای این نوع پیشبینیها لازم دانسته میشد، عملکردی برتر از مدلهای کلاسیک دارد. نسخهی سبکتر به نام WeatherNext ۲-mini نیز با وضوح ۱۱۱ در ۱۱۱ کیلومتر روی یک واحد پردازشی TPU اجرا میشود.
۴. دادههای آموزشی: بیست ترابایت اطلاعات جوی و پنجهزار طوفان تاریخی
برای آموزش این مدل، تیم دیپمایند از دو منبع اصلی استفاده کرده است: نخست حجم عظیمی از دادههای تحلیلی جوی جهانی نزدیک به بیست ترابایت، و دوم پایگاهدادهی بینالمللی IBTrACS که رکورد بیش از پنجهزار طوفان حارهای در طول تاریخ را در خود جای داده است. ترکیب این دو منبع به مدل اجازه داده هم الگوهای کلی جوی و هم رفتار اختصاصی طوفانها را همزمان یاد بگیرد؛ رویکردی که کارشناسان آن را یکی از دلایل اصلی جهش کیفی این نسل از مدل میدانند.
۵. دقت پیشبینی: مقایسه با ECMWF-ENS و HWRF
بر اساس دادههای منتشرشده در مقالهی علمی، پیشبینی سهروزهی WeatherNext ۲ از نظر دقت با پیشبینی دوروزهی مدلهای نسل قبل برابری میکند؛ گامی که تیم تحقیقاتی آن را معادل یک دهه پیشرفت علمی فشردهشده در یک سامانهی واحد توصیف کرده است. در مقایسه با مدل شناختهشدهی اروپایی ECMWF-ENS، خطای پیشبینی مسیر طوفان در بازهی سهروزه بیش از صد کیلومتر کاهش یافته است. همچنین در مقایسه با مدل آمریکایی HWRF، خطای پیشبینی شدت طوفان به حدود یازده گره رسیده که رقمی قابل توجه در این حوزه محسوب میشود. ظرفیت گروهی مدل نیز از پنجاه سناریو در نسخهی قبلی به هزار سناریو در نسخهی جدید افزایش یافته و همین موضوع دقت پیشبینی احتمالاتی را بهشدت بهبود داده است.
۶. کاربرد واقعی: نجات جان انسانها در فصل طوفانهای ۲۰۲۵
این خانواده از مدلها پیش از انتشار رسمی نیز بهصورت آزمایشی در فصل طوفانهای اقیانوس اطلس سال ۲۰۲۵ به کار گرفته شده بود. یکی از موفقترین موارد، پیشبینی دقیق تشدید سریع و مسیر فرودآمدن یک طوفان مهم بر ساحل جامائیکا بود؛ پیشبینیای که به مقامهای محلی زمان بیشتری برای هشدار عمومی و تخلیهی مناطق پرخطر داد. چنین نمونههایی نشان میدهد فناوریهای مبتنی بر یادگیری عمیق دیگر صرفاً آزمایشهای آزمایشگاهی نیستند و میتوانند مستقیماً در نجات جان انسانها نقش داشته باشند؛ موضوعی که در مقالهی پتانسیل واقعی و محدودیتهای هوش مصنوعی نیز به آن پرداختهایم.
۷. متنباز شدن کامل مدل و دسترسی رایگان جهانی
یکی از مهمترین بخشهای این اعلامیه، تصمیم گوگل برای متنباز کردن کامل پروژه است. کد و وزنهای سه نسخهی مختلف، شامل WeatherNext Cyclones، WeatherNext ۲ اصلی و نسخهی سبک WeatherNext ۲-mini، در گیتهاب و پلتفرم Weather Lab گوگل در دسترس عموم قرار گرفتهاند. نسخهی سبک حتی میتواند در کمتر از یک دقیقه روی یک واحد پردازشی TPU یک پیشبینی پانزدهروزهی کامل تولید کند و از طریق یک نوتبوک رایگان Colab نیز قابل اجراست. این یعنی مراکز هواشناسی کشورهای در حال توسعه که معمولاً به ابرکامپیوترهای گرانقیمت دسترسی ندارند، حالا میتوانند از همان ابزار پیشرفتهای استفاده کنند که مراکز بزرگ جهانی به کار میگیرند؛ گامی مهم در جهت عدالت فناورانه.
۸. جایگاه WeatherNext در رقابت جهانی هوش مصنوعی
انتشار WeatherNext ۲ در بستری از رقابت فشردهی شرکتهای فناوری بر سر هوش مصنوعی رخ میدهد؛ رقابتی که معمولاً حول مدلهای زبانی عمومی مانند چتباتها متمرکز است. برای آشنایی با ماهیت این شرکت و نقش آن در این رقابت، میتوانید مقالهی اوپنایآی چیست را در سایت ما بخوانید. اما پروژههایی مثل WeatherNext نشان میدهند مسیر واقعی و ملموس تأثیرگذاری هوش مصنوعی بر زندگی روزمره، الزاماً از دل چتباتها نمیگذرد، بلکه میتواند در قالب ابزارهای تخصصی علمی مثل پیشبینی بلایای طبیعی هم ظاهر شود. برای درک بهتر تفاوت کاربردهای عمومی و تخصصی هوش مصنوعی، خواندن مقالهی اهمیت هوش مصنوعی در کسبوکار نیز پیشنهاد میشود.
۹. چالشها و مسیر پیش رو
با وجود نتایج امیدوارکننده، پژوهشگران تأکید دارند این مدل هنوز نیازمند ارزیابی میدانی گستردهتر در فصلهای آیندهی طوفان است. دادههای آزمایشی محدود به طوفانهای سالهای ۲۰۲۳ تا ۲۰۲۵ بوده و عملکرد مدل در شرایط اقلیمی نامتعارف یا طوفانهای کمسابقه هنوز بهطور کامل شناختهشده نیست. با این حال، روند متنباز کردن چنین مدلهای تخصصی و بهکارگیری تدریجی آنها در مراکز هواشناسی رسمی، نویدبخش آیندهای است که در آن هوش مصنوعی نقش پررنگتری در مدیریت بحرانهای طبیعی ایفا میکند. کسانی که میخواهند با نحوهی طراحی و آموزش چنین مدلهای تخصصی بیشتر آشنا شوند، میتوانند سری آموزشهای آموزشهای چتجیپیتی در سایت ما را دنبال کنند.
۱۰. مقایسه با سایر مدلهای هوش مصنوعی در پیشبینی آبوهوا
WeatherNext ۲ تنها تلاش شرکتهای بزرگ فناوری برای ورود به حوزهی پیشبینی آبوهوا با هوش مصنوعی نیست. پیش از این، شرکتهایی مانند انویدیا با مدل FourCastNet و هواوی با مدل Pangu-Weather نشان داده بودند که شبکههای عصبی میتوانند پیشبینیهای جوی را در کسری از زمان مدلهای عددی سنتی تولید کنند. تفاوت اصلی WeatherNext ۲ در تمرکز اختصاصی آن بر طوفانهای حارهای و ترکیب دادههای تاریخی بلندمدت با معماری مولد احتمالاتی است؛ رویکردی که به گفتهی پژوهشگران، دقت پیشبینی سناریوهای کماحتمال اما پرخطر مانند تشدید ناگهانی طوفان را بهطور محسوسی بهتر میکند. کارشناسان معتقدند در سالهای آینده شاهد رقابت فزایندهای میان این مدلهای تخصصی خواهیم بود؛ رقابتی که در نهایت به سود دقت پیشبینی و ایمنی عمومی تمام میشود.
یکی دیگر از نکات قابل توجه، سرعت اجرای این مدلها نسبت به ابرکامپیوترهای سنتی هواشناسی است. در حالی که اجرای یک پیشبینی کامل روی سامانههای عددی کلاسیک ممکن است ساعتها زمان و منابع محاسباتی بسیار سنگین نیاز داشته باشد، WeatherNext ۲-mini همین کار را در کمتر از یک دقیقه روی یک تراشهی TPU انجام میدهد. این کاهش چشمگیر در زمان و هزینهی محاسباتی میتواند مسیر را برای استفادهی گستردهتر از این فناوری، حتی در سازمانهای کوچکتر و دانشگاهها، هموار کند و بهمرور استانداردهای صنعت هواشناسی جهانی را تغییر دهد.
۱۱. پرسشهای متداول
مدل WeatherNext ۲ دقیقاً چیست؟
مدلی هوش مصنوعی از گوگل دیپمایند است که با تحلیل دادههای جوی و تاریخچهی طوفانها، مسیر، شدت و ساختار باد طوفانهای حارهای را با دقتی بالاتر از مدلهای سنتی هواشناسی پیشبینی میکند.
آیا استفاده از این مدل رایگان است؟
بله، گوگل کد و وزنهای این مدل را کاملاً متنباز کرده و از طریق گیتهاب، پلتفرم Weather Lab و نوتبوک Colab در دسترس عموم قرار داده است.
چقدر این مدل دقیقتر از مدلهای قبلی است؟
پیشبینی سهروزهی این مدل با پیشبینی دوروزهی مدلهای نسل قبل برابری میکند و خطای پیشبینی مسیر طوفان را بیش از صد کیلومتر کاهش میدهد.
چه کسانی میتوانند از این فناوری بهره ببرند؟
مراکز هواشناسی رسمی، پژوهشگران اقلیمی و حتی توسعهدهندگان مستقل میتوانند از این مدل متنباز برای پژوهش، پیشبینی محلی یا ساخت ابزارهای کاربردی استفاده کنند؛ موضوعی که در مقالهی توسعهدهندهی مستقل در برابر مهندس واقعی هم بررسی شده است.
محدودیتهای فعلی این مدل چیست؟
دادههای آزمایشی این مدل عمدتاً محدود به طوفانهای سالهای ۲۰۲۳ تا ۲۰۲۵ بوده و هنوز نیاز به ارزیابی میدانی گستردهتر در فصلهای آیندهی طوفان دارد؛ بهخصوص برای شرایط اقلیمی نامتعارف یا الگوهای کمسابقه.
نسخهٔ فوری این مطلب در تلگرام: اینجا بخوانید
