بسته‌ی شواهد: مدل‌های آب و هوایی هوش مصنوعی عملیاتی شدند و زمان پیش‌بینی را به ثانیه کاهش دادند

برای بیش از هفتاد سال، علم پیش‌بینی آب و هوا بر یک پارادایم واحد و از نظر محاسباتی بسیار سنگین متکی بوده است: پیش‌بینی عددی آب و هوا (NWP). ابررایانه‌هایی به اندازه زمین‌های تنیس، معادلات دینامیک سیالات و ترمودینامیک جو را تجزیه و تحلیل می‌کردند تا نحوه رفتار شبکه‌ای از مولکول‌های هوا را در طول زمان محاسبه کنند. این یک پیروزی برای فیزیک بود، اما کند و فوق‌العاده انرژی‌بر بود. امروز، یک رویکرد اساساً متفاوت از آزمایشگاه به میز عملیاتی پیش‌بینی منتقل شده است.[2]

طی هجده ماه گذشته، آژانس‌های برتر هواشناسی جهان رسماً مدل‌های هوش مصنوعی را در جریان کار عملیاتی روزانه خود ادغام کرده‌اند. این مدل‌های مبتنی بر داده، به جای حل معادلات فیزیکی از ابتدا، از شبکه‌های عصبی عمیق استفاده می‌کنند که بر اساس دهه‌ها داده‌های آب و هوایی تاریخی آموزش دیده‌اند تا الگوهای جوی را تشخیص داده و مستقیماً حالت‌های آینده را پیش‌بینی کنند.

مرکز اروپایی پیش‌بینی‌های میان‌برد آب و هوا (ECMWF)، که به طور گسترده به عنوان استاندارد طلایی در هواشناسی جهانی در نظر گرفته می‌شود، اولین نهادی بود که از این آستانه عبور کرد. در فوریه ۲۰۲۵، ECMWF سیستم پیش‌بینی هوش مصنوعی (AIFS) خود را به طور کامل عملیاتی کرد و آن را در کنار سیستم افسانه‌ای پیش‌بینی مبتنی بر فیزیک خود اجرا نمود. تا ژوئیه ۲۰۲۵، ECMWF یک نسخه گروهی (ensemble) از AIFS را به کار گرفت که ۵۱ سناریوی پیش‌بینی مختلف را به طور همزمان برای ترسیم عدم قطعیت تولید می‌کرد.

ایالات متحده اندکی پس از آن اقدام کرد. در دسامبر ۲۰۲۵، اداره ملی اقیانوسی و جوی (NOAA) سه مدل جدید آب و هوای جهانی مبتنی بر هوش مصنوعی را برای استفاده عملیاتی به کار گرفت. این استقرار، که توسط مرکز نوآوری پیش‌بینی زمین NOAA رهبری شد، مهم‌ترین تغییر ساختاری در فناوری پیش‌بینی آب و هوای آمریکا در دهه‌های اخیر بود و هوش مصنوعی را مستقیماً در دستگاه پیش‌بینی عمومی قرار داد، به جای اینکه آن را به عنوان یک ابزار تحقیقاتی جانبی در نظر بگیرد.

مزیت اصلی این سیستم‌های هوش مصنوعی، سرعت خیره‌کننده آنهاست. مدل‌های سنتی NWP برای تولید یک پیش‌بینی ۱۰ روزه جهانی به ساعت‌ها زمان ابررایانه نیاز دارند. در مقابل، GraphCast گوگل دیپ‌مایند (Google DeepMind) – که از شبکه‌های عصبی گرافی برای پردازش داده‌های ساختاریافته فضایی استفاده می‌کند – می‌تواند یک پیش‌بینی ۱۰ روزه جهانی بسیار دقیق را در کمتر از ۶۰ ثانیه روی یک دستگاه واحد تولید کند.[1]

این سرعت مستقیماً به بهره‌وری انرژی تبدیل می‌شود. ECMWF مستند کرده است که مدل AIFS آن با تقریباً ۱۰۰۰ برابر انرژی کمتر نسبت به مدل سنتی مبتنی بر فیزیک خود اجرا می‌شود. در عصری که ردپای کربنی ابررایانه‌ها به شدت تحت نظارت است، توانایی تولید هزاران سناریوی پیش‌بینی با کسری از هزینه برق، یک مزیت عملیاتی تحول‌آفرین است.

نکته مهم این است که این سرعت به قیمت دقت پایه تمام نمی‌شود. در ارزیابی‌های جامع و مورد بازبینی همتایان، مدل‌های هوش مصنوعی به طور معمول عملکرد سیستم‌های سنتی را برای متغیرهای استاندارد آب و هوا برابر یا از آن فراتر رفته‌اند. GraphCast دیپ‌مایند در ۹۰ درصد از ۱,۳۸۰ هدف تأیید، از مدل فیزیکی شاخص ECMWF بهتر عمل کرد و قدرت ویژه‌ای را در تروپوسفر (Troposphere) نشان داد، جایی که پیش‌بینی دقیق برای فعالیت‌های انسانی حیاتی است.[1]

این مدل‌ها همچنین مهارت قابل توجهی در ردیابی پدیده‌های آب و هوایی شدید خاص نشان داده‌اند. Pangu-Weather هوآوی، یکی دیگر از معماری‌های پیشرو هوش مصنوعی، نشان داده است که خطاهای ردیابی طوفان‌های گرمسیری را ۱۲ تا ۱۵ درصد در مقایسه با مدل‌های گروهی سنتی کاهش می‌دهد. هوش مصنوعی با تشخیص الگوهای تاریخی پیچیده‌ای که معادلات فیزیکی گاهی اوقات آنها را بیش از حد ساده می‌کنند، می‌تواند محل رسیدن یک طوفان دریایی به خشکی را با دقت خیره‌کننده‌ای روزها زودتر پیش‌بینی کند.

با این حال، بسته‌ی شواهد یک آسیب‌پذیری مهم و پایدار در رویکرد هوش مصنوعی را آشکار می‌کند: پیش‌بینی پدیده‌های شدید بی‌سابقه و رکوردشکن. از آنجا که مدل‌های یادگیری ماشینی پیش‌بینی‌ها را با درون‌یابی از داده‌های تاریخی که بر اساس آنها آموزش دیده‌اند، تولید می‌کنند، ذاتاً زمانی که جو به شکلی رفتار می‌کند که قبلاً هرگز نداشته است، دچار مشکل می‌شوند.[2]

یک مطالعه جامع در سال ۲۰۲۶ که در Science Advances منتشر شد، این محدودیت را کمی‌سازی کرد. محققان آزمایش کردند که مدل‌های پیشرو هوش مصنوعی – از جمله GraphCast و Pangu-Weather – چقدر می‌توانند هزاران رویداد رکوردشکن گرم، سرد و بادی را شبیه‌سازی کنند. داده‌ها نشان دادند که مدل‌های هوش مصنوعی به طور مداوم هم فراوانی و هم شدت این پدیده‌های شدید رکوردشکن را دست کم می‌گیرند.

به عنوان مثال، هنگام پیش‌بینی امواج گرمای شدید، مدل‌های سنتی مبتنی بر فیزیک قابلیت اطمینان بالاتری را حفظ کردند و بزرگی دماهای شدید را به درستی ثبت کردند. مدل‌های هوش مصنوعی، که محدود به میانگین‌های آماری داده‌های آموزشی خود بودند، تمایل داشتند شدت پدیده‌های شدید را کاهش دهند و یک رویداد شدید اما نه رکوردشکن را پیش‌بینی کنند. در اقلیمی که در حال گرم شدن است و آب و هوای «بی‌سابقه» در حال رایج شدن است، این نقطه کور یک مسئولیت حیاتی است.

این محدودیت توضیح می‌دهد که چرا هیچ آژانس هواشناسی بزرگی مدل‌های فیزیکی خود را به طور کامل جایگزین نمی‌کند. در عوض، صنعت به یک تقسیم کار رضایت داده است. مدل‌های هوش مصنوعی برای تولید سریع سناریو با فرکانس بالا و تشخیص الگوهای میان‌برد استفاده می‌شوند، در حالی که مدل‌های سنتی NWP همچنان سنگ بنای سازگاری فیزیکی و تشخیص موارد شدید غیرعادی باقی می‌مانند.[2]

مرز بعدی، که در حال حاضر به طور فعال در سراسر این بخش در حال توسعه است، مدل ترکیبی (Hybrid) است. محققان به جای انتخاب بین داده و فیزیک، اجزای شبکه عصبی را مستقیماً در چارچوب‌های فیزیکی سنتی جاسازی می‌کنند. نقشه راه ECMWF به صراحت یک سیستم «تقویت‌شده با یادگیری ماشینی» (ML-augmented) را هدف قرار می‌دهد که از هوش مصنوعی برای بهبود نمایش پدیده‌های محلی پیچیده مانند ابرها و تلاطم استفاده می‌کند، در حالی که برای کنترل دینامیک سیالات کلی جو به معادلات فیزیکی متکی است.

NOAA به شدت در حال سرمایه‌گذاری در معماری‌های ترکیبی مشابه است و هدف آن دستیابی به کارایی محاسباتی یادگیری ماشینی بدون قربانی کردن محافظت‌های فیزیکی هواشناسی سنتی است. پیش‌بینی‌کنندگان امیدوارند با ترکیب این دو رویکرد، تمایل هوش مصنوعی به دست کم گرفتن پدیده‌های شدید را از بین ببرند و در عین حال توانایی آن را برای تولید پیش‌بینی در عرض چند ثانیه حفظ کنند.

عملیاتی شدن هوش مصنوعی در پیش‌بینی آب و هوا نشان‌دهنده یک جهش تکنولوژیکی نادر است که بلافاصله به نفع عموم است. با ادامه تکامل این مدل‌ها، روزهای اضافی هشدار که برای طوفان‌های شدید و رودخانه‌های جوی فراهم می‌کنند، مستقیماً به آمادگی بهتر در برابر بلایا، زیرساخت‌های محافظت‌شده و نجات جان انسان‌ها منجر خواهد شد.[1][2]