آیا هوش مصنوعی می‌تواند به پیش‌بینی‌کنندگان کمک کند تا طوفان‌های مخرب را بهتر پیش‌بینی کنند؟

مرکز ملی طوفان‌ها توانایی‌های گوگل دیپ‌مایند را آزمایش کرد.

مدل‌های آب‌وهوایی مبتنی بر هوش مصنوعی در فصل طوفان‌های گذشته آزمون شدند و برخی کارشناسان معتقدند که این مدل‌ها به‌زودی به یک ابزار اصلی در پیش‌بینی طوفان‌های آینده تبدیل خواهند شد.

در آغاز فصل طوفان‌های اقیانوس اطلس ۲۰۲۵، مرکز ملی طوفان‌ها (NHC) اعلام کرد مشارکتی با گوگل دیپ‌مایند، آزمایشگاه پژوهش هوش مصنوعی گوگل، به‌منظور آزمون جدیدترین مدل هوش مصنوعی آب‌وهوایی خود به‌عنوان بخشی از فرآیند پیش‌بینی این مرکز برای سیکلون‌های گرمسیری.

«این همکاری بین NOAA و گوگل اطمینان می‌دهد که مرکز ملی طوفان‌های NOAA می‌تواند به‌سرعت فناوری‌های جدید پیش‌بینی سیکلون‌های گرمسیری را ارزیابی کند»، گفت مایکل برنن، مدیر فعلی مرکز ملی طوفان‌ها، در یک بیانیه مطبوعاتی NOAA.

چرا در سال ۲۰۲۵ هیچ طوفانی به خشکی ایالات متحده نرسید؟

طبق گزارش NOAA، پس از افزودن مدل دیپ‌مایند به جعبه‌ابزارهای گسترده پیش‌بینی‌کنندگان، این مدل در برخی موارد عملکرد بهتری نسبت به مدل‌های سنتی و سنگین خود نشان داد.

آژانس پیش‌بینی خود را به پیش‌بینی طوفان ملیسا به‌عنوان نمونه‌ای قابل‌توجه ارجاع داد.

مدل دیپ‌مایند، به‌همراه هم‌نسل هوش مصنوعی مدل اروپایی، به پیش‌بینی‌کنندگان در NHC اطمینان فوق‌العاده‌ای اعطا کرد که طوفان ملیسا به‌سرعت به یک طوفان دسته پنج بزرگ تبدیل خواهد شد و پیش از آن به جامیکا ضربه‌ای ویرانگر وارد می‌کند.

«من واقعاً تحت تأثیر توانایی مدل دیپ‌مایند در مدیریت تشدید سریع قرار گرفتم، زیرا این مسأله برای بسیاری از این‌گونه مدل‌ها دشوار بوده است»، گفت مَت لَنزا، سردبیری وبلاگ The Eyewall. «کاری که این مدل در زمان ملیسا انجام داد، بدون تردید در زمینه هشداردهی به خطرهای بسیار بالا حیاتی بود»، لَنزا افزود.

در مجموع، NOAA گزارش داد که مدل دیپ‌مایند دقیق‌ترین مدل برای مسیر و شدت طوفان بوده است و تنها پیش‌بینی‌ای که از نظر دقت آن را پیشی گرفته، پیش‌بینی‌های رسمی NHC بوده‌اند.

طوفان ملیسا، یکی از قدرتمندترین طوفان‌های اقیانوس اطلس است که در تاریخ ثبت‌شده به‌ساحل رسیده است

جیمز فرانکلین، ارشد سابق در NHC، در شبکه‌های اجتماعی نتایج را تحلیل کرد و آن را «سال پرآوازه» برای مدل گوگل دیپ‌مایند توصیف کرد.

سخنگویی از تیم گوگل دیپ‌مایند گفت که اگرچه این نمایش قدرتمند برای توانایی‌های پیش‌بینی آب‌وهوایی مدل بود، اما آن‌ها توصیه می‌کنند که عملکرد مدل را بر پایه یک طوفان یا یک معیار واحد ارزیابی نکنند.

چگونه کار می‌کند؟

مدل‌های آب‌وهوایی سنتی — مانند مدل اروپایی و سامانه پیش‌بینی جهانی آمریکایی که مرکز NHC به‌طور منظم از آن استفاده می‌کند — بر شبیه‌سازی‌های پیچیده‌ای تکیه دارند که معادلات جوی و فیزیکی را به‌کار می‌گیرند و برای اجرای آن‌ها زمان و توان محاسباتی قابل‌توجهی می‌طلبند.

مدل‌های آب‌وهوایی مبتنی بر هوش مصنوعی، مانند مدل دیپ‌مایند، به‌پیدا کردن توان محاسباتی کمتری نیاز دارند و سریع‌تر عمل می‌کنند. این مدل‌ها با بررسی داده‌های تاریخی هواشناسی و شناسایی الگوها و روابط موجود در طوفان‌های گذشته، روش پیش‌بینی را می‌آموزند؛ این کار به آن‌ها امکان می‌دهد پیش‌بینی‌ها را در ثانیه‌ها تکمیل کنند.

«مدل‌های هوش مصنوعی/یادگیری ماشین از اطلاعات زمینه‌های جوی گذشته، معمولاً بیش از ۴۰ سال داده‌های هواشناسی به‌صورت بازه‌های شش ساعته، استفاده می‌کنند تا «یاد بگیرند» که جو چگونه با گذشت زمان تکامل می‌یابد»، ریان ترن، استاد و پژوهشگر دانشگاه آلبانی که در زمینه مدل‌سازی هواشناسی تخصص دارد، گفت.

«پس از این‌که مدل هوش مصنوعی/یادگیری ماشین جو را فرا گرفت، می‌توانید داده‌های لحظه‌ای جو را به آن بدهید تا پیش‌بینی‌ها را تولید کند»، ترن افزود.

در مورد مدل هوش مصنوعی دیپ‌مایند، گوگل اعلام می‌کند که در عرض چند دقیقه صدها سناریوی مختلف آب‌وهوایی را از یک نقطه شروع تولید می‌کند، در حالی که مدل‌های سنتی برای تکمیل همین کار به ساعت‌ها زمان نیاز دارند.

عل‌رغم مزایای استفاده از هوش مصنوعی در فصل طوفان‌های ۲۰۲۵، برای تسلط مدل‌های مبتنی بر هوش مصنوعی بر پیش‌بینی‌ها، نیاز به پژوهش‌ها و آزمایش‌های بیشتری است.

لَنزا گفت که مدل‌هایی چون دیپ‌مایند هنوز باید خود را با طوفان‌های خلیج اثبات کنند، چرا که این فصل طوفان‌ها به‌طور غیرعادی آرام بود.

«وقتی به آب‌وهوای شدید و تغییرات اقلیمی فکر می‌کنید، باید در نظر داشته باشید که حوادثی خارج از محدودهٔ انتظار نیز ممکن است رخ دهند و مدل‌های هوش مصنوعی ممکن است آن ریسک را به‌دست نیندازند»، لَنزا گفت. «در این‌جا مدل‌سازی فیزیکی سنتی ممکن است همچنان ضروری باشد»، او افزود.

ترن همچنین بر اهمیت مدل‌های سنتی تأکید کرد، چون مدل‌های هوش مصنوعی برای کاهش خطاهای ناشی از تغییرات ناگهانی هوا یا فواصل خالی در داده‌های هواشناسی، سعی می‌کنند اختلافات را با صاف‌سازی یکپارچه کنند.

«پخش اختلافات بر روی مساحت بزرگ‌تر از نظر فیزیکی معنی‌دار نیست و در آینده پیش‌بینی را به‌خطر می‌اندازد»، ترن گفت. «مدل‌های کاملاً فیزیکی ما به‌خاطر ادغام قوانین فیزیکی در خود، در این زمینه عملکرد بهتری دارند.»

سخنگویی از تیم گوگل دیپ‌مایند گفت که اگرچه مدل‌های آب‌وهوایی هوش مصنوعی معادلات پیچیده فیزیکی و جوی را همانند مدل‌های سنتی خود محاسبه نمی‌کنند، اما با استفاده از مدل‌های سنتی برای آموزش و تنظیم شرایط اولیه، این مدل‌ها را تکمیل می‌کنند — ترکیبی از سرعت و دقت برای بهبود پیش‌بینی‌ها.