مدل هوش مصنوعی دیپ‌مایند گوگل یک روز هشدار طوفان اضافی به پیش‌بینی‌کنندگان می‌دهد

لحظه حیاتی در واکنش به طوفان، زمانی نیست که طوفان بر فراز آب‌های آزاد شکل می‌گیرد، بلکه آن ساعت دقیقی است که مدیر بحران به مسیر پیش‌بینی‌شده نگاه می‌کند و تصمیم می‌گیرد که آیا دستور تخلیه اجباری را صادر کند یا خیر. این تصمیم واحد تعیین می‌کند که آیا ساکنان ساحلی فرصت کافی برای بستن خانه‌ها و فرار دارند یا نه، و اتخاذ آن نیازمند اطمینان مطلق از مسیر حرکت طوفان است. اکنون، یک مدل هوش مصنوعی جدید که توسط گوگل دیپ‌مایند توسعه یافته، اساساً این جدول زمانی را تغییر داده و ۲۴ ساعت هشدار قابل اعتماد اضافی قبل از وقوع طوفان حاره‌ای در اختیار پیش‌بینی‌کنندگان قرار می‌دهد.[1][2]

این سیستم که «سایکلون‌های ودرنکست» (WeatherNext Cyclones) نام دارد، در پی انتشار اولیه شتاب‌زده‌اش در ماه آگوست، جزئیات آن در مطالعه‌ای که در تاریخ ۴ سپتامبر ۲۰۲۶ در مجله نیچر منتشر شد، ارائه گردید. این مدل نشان‌دهنده یکپارچگی نادری در مدل‌سازی هواشناسی است: یک معماری هوش مصنوعی واحد که مسیر، شدت و ساختار باد طوفان را به طور همزمان و با دقت پیش‌بینی می‌کند.[1][2][3]

از لحاظ تاریخی، پیش‌بینی طوفان مستلزم یک مصالحه محاسباتی سخت بود. مسیر یک طوفان توسط جریان‌های عظیم جوی جهانی دیکته می‌شود که بهتر است توسط مدل‌های درشت‌مقیاس و سیاره‌ای ثبت شوند. اما شدت آن – اینکه چقدر سریع به یک طوفان بزرگ تبدیل می‌شود – توسط فیزیک ترمودینامیکی بسیار محلی در نزدیکی چشم طوفان هدایت می‌شود، که نیازمند مدل‌های منطقه‌ای تخصصی و با وضوح بالا است.[6]

پیش‌بینی‌کنندگان قبلاً مجبور بودند این دو رویکرد را به هم پیوند دهند و درزها و خطاهای بین آن‌ها را بپذیرند. «سایکلون‌های ودرنکست» این شکاف را از بین می‌برد. این مدل با آموزش انتها به انتها بر روی تقریباً ۲۰ ترابایت داده جوی جهانی در کنار پایگاه داده IBTrACS – آرشیوی از حدود ۵۰۰۰ طوفان تاریخی در طول ۴۵ سال – یاد گرفت که هم جریان‌های هدایت‌کننده کلان و هم دینامیک شدت خرد را به طور همزمان حل کند.[2][4][6]

دستاوردهای عملکردی چشمگیر هستند. هنگامی که «سایکلون‌های ودرنکست» بر روی طوفان‌های تاریخی از سال ۲۰۲۳ تا ۲۰۲۵ ارزیابی شد، میانگین خطای مسیر آن در پیش‌بینی پنج روزه تنها ۲۳۰ کیلومتر بود. برای مقایسه، مدل ترکیبی مرکز اروپایی پیش‌بینی‌های آب و هوایی میان‌برد (ECMWF) در همان افق زمانی، خطای ۳۷۰ کیلومتری را ثبت کرد.[3]

از نظر عملی، پیش‌بینی‌های سه‌روزه این مدل اکنون به اندازه پیش‌بینی‌های دو روزه تولید شده توسط نسل قبلی سیستم‌های عملیاتی دقیق هستند. یوسی ماتیاس، معاون گوگل و رئیس تحقیقات گوگل، نوشت: «به طور متوسط، این مدل پیش‌بینی دقیق را به اندازه یک روز اضافی گسترش می‌دهد – می‌تواند سه روز جلوتر را با دقتی پیش‌بینی کند که مدل‌های قبلی تنها در دو روز به آن دست می‌یافتند.» وی افزود: «این مقیاس بهبود، تقریباً معادل پیشرفت یک دهه در تاریخ هواشناسی است.»[2][3]

این سیستم قبلاً در محیط‌های واقعی و پرخطر آزمایش شده است. در طول فصل طوفان اقیانوس اطلس در سال ۲۰۲۵، پیش‌بینی‌های آزمایشی «سایکلون‌های ودرنکست» در اختیار مرکز ملی طوفان ایالات متحده قرار گرفت. این مدل هوش مصنوعی با موفقیت تشدید سریع و متعاقب آن رسیدن طوفان ملیسا به خشکی در جامائیکا را پنج روز قبل پیش‌بینی کرد و زمان آماده‌سازی حیاتی را برای تیم‌های میدانی فراهم نمود.[2][5]

فراتر از پیش‌بینی‌های قطعی تک‌مسیره، این مدل از شبکه‌های مولد تابعی (Functional Generative Networks) برای تولید مجموعه‌های عظیم استفاده می‌کند. در حالی که مجموعه‌های سنتی مبتنی بر فیزیک معمولاً ۵۰ تغییر را برای سنجش عدم قطعیت اجرا می‌کنند، «ودرنکست» می‌تواند ۱۰۰۰ سناریوی متمایز را در کمتر از یک دقیقه بر روی یک واحد پردازش تانسور (TPU) تولید کند. این قابلیت به پیش‌بینی‌کنندگان اجازه می‌دهد تا توزیع کامل ریسک‌های انتهایی، از جمله احتمال کم اما فاجعه‌بار تشدید سریع ناگهانی را مشاهده کنند.[3][5]

گوگل دیپ‌مایند به جای انحصاری نگه داشتن این دستاورد، کد و وزن‌های مدل را متن‌باز کرده است. این انتشار شامل مدل عملیاتی کامل «سایکلون‌ها»، مدل جهانی «ودرنکست ۲» و یک نسخه سبک‌تر به نام «ودرنکست ۲ مینی» است.[4][5]

نسخه مینی با وضوح درشت‌تر ۱۱۱ کیلومتر کار می‌کند و به اندازه‌ای کوچک است که می‌تواند از طریق یک نوت‌بوک عمومی رایگان Colab بر روی یک TPU واحد اجرا شود. این امر مانع محاسباتی عظیمی را که معمولاً پیش‌بینی ترکیبی پیشرفته را به آژانس‌های ملی با بودجه بالا محدود می‌کرد، از بین می‌برد و عملاً پیش‌بینی طوفان در سطح هنر را برای دفاتر هواشناسی کوچک‌تر در سراسر جهان دموکراتیزه می‌کند.[4][5]