هوش مصنوعی چگونه پیشبینی آبوهوا را تغییر می‌دهد: GraphCast، AIFS و GEML کانادا
انتشار:
بهطور خلاصه
هوش مصنوعی اکنون در کنار و در برخی موارد بهتر از مدلهای پیشبینی آبوهوای سنتی مبتنی بر فیزیک در آژانس‌هایی مانند مرکز اروپایی پیشبینی آبوهوای میان‌مدت و وزارت محیطزیست و تغییرات آبوهوایی کانادا کار میکند. سیستم‌های هوش مصنوعی مانند GraphCast از Google DeepMind و AIFS از ECMWF پیش‌بینی‌ها را در ثانیه‌ها به جای ساعت‌ها تولید میکنند، و با استفاده از انرژی محاسباتی بسیار کمتر، در حالی که ارزیابی‌های رسمی میگویند مدلهای سنتی مبتنی بر فیزیک هنوز برخی جزئیات آبوهوای شدید را بهتر پردازش میکنند.
این نسخه ترجمهٔ ماشینی متن اصلی (English) است. خواندن متن اصلی
آژانس‌های آبوهوایی در اروپا و آمریکای شمالی شروع به اجرای نماذج هوش مصنوعی در کنار سیستم‌های پیشبینی مبتنی بر فیزیک که به دهه‌ها پیش می‌رسند، و در برخی موارد ترکیب این دو کرده‌اند. این تغییر از قابلیت هوش مصنوعی برای تولید پیشبینی جهانی 10 روزه در کمتر از یک دقیقه بر روی یک پردازنده، در مقابل ساعت‌ها زمان ابرکامپیوتر برای پیشبینی عددی سنتی آبوهوا، بر اساس Google DeepMind و مرکز اروپایی پیشبینی آبوهوای میان‌مدت (ECMWF) سرچشمه می‌گیرد.
GraphCast و AIFS درواقع چه میکنند
GraphCast، که توسط Google DeepMind ساخته شده است، یک مدل یادگیری ماشینی است که از شبکههای عصبی گراف برای پردازش دادههای آبوهوا در بیش از یک میلیون نقطه شبکه که سطح زمین را در دقت 28 در 28 کیلومتر پوشش می‌دهد، استفاده میکند. وضعیت جو را از شش ساعت قبل و وضعیت فعلی می‌گیرد، سپس شش ساعت بعدی را پیشبینی میکند؛ تکرار آن مرحله باعث پیشبینی 10 روزه می‌شود. مدل و نتایج آن در مجله Science در 14 نوامبر 2023 منتشر شد، با کد آن بهعنوان منبع باز منتشر شده، بر اساس اعلام خود Google DeepMind.
ECMWF سیستم خود را ساخت، سیستم پیشبینی هوش مصنوعی (AIFS)، که در 25 فوریه 2025 عملیاتی شد، در کنار سیستم پیشبینی یکپارچه (IFS) مبتنی بر فیزیک سنتی. AIFS از همان دادههای شروع IFS استفاده میکند - حدود 60 میلیون مشاهده کنترل‌شده کیفیت از ماهواره‌ها، هواپیما‌ها، بویه‌ها و ایستگاه‌های زمینی جمع‌آوری‌شده هر شش ساعت - اما یک مدل یادگیری ماشینی آموزش‌دیده بر اساس الگوهای آبوهوای تاریخی را به جای حل مستقیم معادلات فیزیک اعمال میکند، بر اساس ECMWF.
مدلهای هوش مصنوعی تا چه اندازه دقیق هستند، بر اساس سازمانهای ساختکننده
Google DeepMind گزارش داد که GraphCast پیشبینیهای دقیق‌تری نسبت به پیشبینی با دقت بالا (HRES) ECMWF - که توسط شرکت بهعنوان معیار صنعت توصیف شده است - در بیش از 90 درصد از 1,380 متغیر آزمون و زمانهای پیشرو، و در 99.7 درصد از متغیرهای مختص طبقه تروپوسفر، لایه جو جایی که بیشتر آبوهوا رخ می‌دهد، تولید کرد. DeepMind همچنین گفت که GraphCast فرود طوفان لی در نوا اسکوتیا را نه روز قبل پیشبینی کرد.
ECMWF گزارش داد که AIFS "بر نماذج فیزیک پیشرفته‌ی حال حاضر برای بسیاری از معیارها، از جمله مسیرهای طوفان استوایی، بهتری دارد، با بهره‌های تا 20 درصد،" در حالی‌که تقریباً 1,000 برابر کمتر انرژی به ازای هر پیشبینی نسبت به روش‌های سنتی استفاده میکند.
سه سیستم آبوهوای هوش مصنوعی، مقایسه شده بر اساس منبع
سیستم
ساختهشده توسط
وضعیت
لبه‌ی عملکرد گزارش‌شده
GraphCast
Google DeepMind
منتشرشده در Science، نوامبر 2023؛ منبعباز
دقیقتر از HRES ECMWF در بیش از 90 درصد 1,380 متغیر آزمون
AIFS
ECMWF
عملیاتی از 25 فوریه 2025
تا 20 درصد بهتر در مسیرهای طوفان استوایی؛ ~1,000 برابر کمتر انرژی به ازای هر پیشبینی
GEML (هیبرید)
وزارت محیطزیست و تغییرات آبوهوایی کانادا
عملیاتی از 27 مه 2026
ساختهشده بر اساس GraphCast؛ ترکیب هوش مصنوعی با فیزیک از طریق "تنظیم طیفی"
روش هیبرید کانادا: هوش مصنوعی هدایت‌کننده یک مدل فیزیک
وزارت محیطزیست و تغییرات آبوهوایی کانادا یک مسیر متفاوت طی کرد، یک مدل هوش مصنوعی کانادایی به‌نام شبیهساز محیطی جهانی (GEML) را بر اساس کد منبعباز GraphCast از DeepMind ساخت و آن را بر اساس دادههای آبوهوای تاریخی کانادایی آموزش داد. به جای جایگزینی مدل مبتنی بر فیزیک، آژانس این دو را از طریق تکنیکی که "تنظیم طیفی" نام‌گذاری کرده است، ترکیب میکند: مدل سنتی به آرامی به سمت وضعیت جو تولیدشده توسط GEML هدایت می‌شود، در حالی‌که جزئیات ریزتر مرتبط با آبوهوای شدید هنوز با استفاده از معادلات فیزیکی برقرار تکامل می‌یابند، بر اساس اعلام رسمی آژانس. سیستم هیبرید در 27 مه 2026 عملیاتی شد، پس از بیش از یک سال آزمایش.
وزارت محیطزیست و تغییرات آبوهوایی کانادا گفت که نماذج هوش مصنوعی می‌توانند برای الگوهای جو در مقیاس بزرگ، که در زمانهای پیشروی بیشتر مهم است، بر مدلهای سنتی رایانه‌ای بهتری دارند، اما شماره بهبودی مشخصی در اعلام منتشرنکرد.
جایی که هوش مصنوعی کوتاه می‌آید
هم ECMWF و هم وزارت محیطزیست و تغییرات آبوهوایی کانادا محدودیت‌ها را مشخص کرده‌اند. AIFS از ECMWF در حال حاضر فقط بهعنوان یک پیشبینی قطعی واحد کار میکند؛ نسخه گروه‌ای که 50 تغییر پیشبینی ارائه می‌دهد، که معیار ارزیابی عدم‌اطمینان پیشبینی است، هنوز در حال توسعه است، بر اساس ECMWF. وزارت محیطزیست و تغییرات آبوهوایی کانادا گفت که مدلهای هوش مصنوعی فعلی، به‌تنهایی، فقط تعداد محدودی از متغیرها را پیشبینی میکنند، که برای استفاده عملیاتی کافی نیست، و اینکه آن‌ها جزئیات جو ریزتر را به‌گونه‌ای صافتر میکنند که می‌تواند برای انواع خاصی از آبوهوای شدید دقت را کاهش دهد - یکی از دلایلی که آژانس به جای سیستم تنها هوش مصنوعی، طراحی هیبرید را انتخاب کرد.
پرسش‌ها
GraphCast چیست؟
GraphCast یک مدل آبوهوای یادگیری ماشینی است که توسط Google DeepMind ساخته شده است و از شبکههای عصبی گراف برای تولید پیشبینیهای جهانی 10 روزه در کمتر از یک دقیقه استفاده میکند، منتشرشده در مجله Science در نوامبر 2023.
آیا هوش مصنوعی دقیقتر از پیشبینی آبوهوای سنتی است؟
بر اساس سازمانهای ساختکننده، نماذج هوش مصنوعی مانند GraphCast و AIFS ECMWF بر معیارهای مبتنی بر فیزیک برای اکثر متغیرهای آزمون و زمانهای پیشرو، از جمله مسیرهای طوفان استوایی بهتری دارند، اما آژانسها میگویند مدلهای مبتنی بر فیزیک هنوز برخی جزئیات آبوهوای شدید را قابلاعتمادتر پردازش میکنند.
آیا سیستم پیشبینی هوش مصنوعی ECMWF برای عموم در دسترس است؟
بله. ECMWF مسیر AIFS را در کنار مدل IFS مبتنی بر فیزیک اجرا میکند، و مرکز میگوید که نمودارهای پیشبینی AIFS بهطور آزادانه بر روی وبسایت آن قابلدسترس هستند.
مدل GEML کانادا چیست؟
GEML، شبیهساز محیطی جهانی، یک مدل هوش مصنوعی آبوهوا از وزارت محیطزیست و تغییرات آبوهوایی کانادا است که بر اساس GraphCast منبعباز Google DeepMind ساختهشده است و بر دادههای کانادایی آموزش داده شده است؛ در 27 مه 2026 عملیاتی شد، بهعنوان بخشی از سیستم هیبریدی ترکیبشده با مدل فیزیک سنتی آژانس.
چرا آژانسها بهطور کامل نماذج مبتنی بر فیزیک را با هوش مصنوعی جایگزین نمیکنند؟
وزارت محیطزیست و تغییرات آبوهوایی کانادا و ECMWF میگویند که نماذج هوش مصنوعی فعلی جزئیات جو ریزتر مهم برای موقعیتهای آبوهوای شدید خاصی را صافتر میکنند، بنابراین هوش مصنوعی را با نمذجهسازی مبتنی بر فیزیک ترکیب میکنند به جای استفادهی تنها هوش مصنوعی.
Waymo تایید دریافت کرده است که در برنامج پایلوت خودروهای خودکار Ontario شرکت کند و این پاییز شروع به نقشه‌برداری و آزمایش رانندگی خیابان‌های تورنتو خواهد کرد، با هدف خدمات مسافر پرداخت‌کننده در سال 2028. شرایط زمستانی شهر — برف، یخ و دید کم — آن را، به گفته TechCrunch، شمال‌ترین و احتمالاً برفی‌ترین بازاری می‌سازد که Waymo تاکنون وارد آن شده است.
مایکروسافت به عنوان مستأجر اصلی از مرکز داده هوش مصنوعی برنامه‌ریزی شده‌ای به ارزش 2 میلیارد پوند استرلینگ که شرکت بریتانیایی Nscale در Loughton، Essex می‌سازد، کنار رفت، پس از اینکه UK Power Networks اعلام کرد که نمی‌تواند سایت را به شبکه برق متصل کند تا اوایل تا اواسط دهه 2030. Nscale میگوید که هنوز متعهد به Loughton است و به دنبال منابع برق جایگزین است، از جمله تولید برق در محل، در حالی که یک پذیرش سهام برنامه‌ریزی شده را دنبال میکند.
مراکز داده ساختمان‌های فیزیکی‌اند که دادههای پشت برنامه‌های چت هوش مصنوعی، ذخیره‌سازی ابری و خدمات پخش را ذخیره، پردازش و انتقال می‌دهند. این بخش در اکتبر 2026 پس از اینکه Microsoft بهعنوان مستاجر اصلی از بزرگ‌ترین مرکز داده هوش مصنوعی طرح‌ریزی‌شده‌ی بریتانیا کناره گرفت، یک نقطه تنش جهانی شد، زیرا شبکه برق محلی نمی‌تواند تا دهه 2030 آن را تامین کند.
یک مهندس هوش مصنوعی در شرکت امنیت سایبری SentinelOne از مدل GPT-6 Astra شرکت OpenAI برای رمزگشایی رمزی از نوع homophonic-substitution استفاده کرد که مقر فرماندهی ناپلئون بناپارت برای ژنرال آگوست دومارمون در مارس 1809 فرستاده بود. این سیستم با استفاده از یک تصویر اسکن شده، متن را رونویسی کرد، تجزیه و تحلیل کرد و رمز 217 ساله را در حدود شش ساعت حل کرد، کاری که رمزشناسان را برای بیش از دو قرن شکست داده بود.
