بإذن من الذكاء الاصطناعي: توقعات الطقس للساعة والأسبوع والقرن

تتولى نماذج التعلم الآلي زمام الأمور في مجال التنبؤ بالطقس، بدءًا من التنبؤ السريع “إلى متى سيستمر هذا المطر” إلى توقعات لمدة 10 أيام، وصولاً إلى التنبؤات على مستوى القرن. تكتسب هذه التكنولوجيا أهمية متزايدة بالنسبة لعلماء المناخ وكذلك التطبيقات ومحطات الأخبار المحلية – ومع ذلك فهي لا “تفهم” الطقس أكثر مما نفهمه أنت أو أنا.

لعقود من الزمن، تم تعريف الأرصاد الجوية والتنبؤ بالطقس إلى حد كبير من خلال دمج الملاحظات في نماذج ومعادلات فيزيائية تم ضبطها بعناية. لا يزال هذا صحيحًا، فلا يوجد علم بدون مراقبة، لكن أرشيفات البيانات الهائلة مكنت من إنشاء نماذج ذكاء اصطناعي قوية تغطي أي نطاق زمني قد يهمك. وتتطلع جوجل إلى الهيمنة على المجال من الآن وإلى الأبد.

في الطرف القصير من الطيف لدينا التنبؤ الفوري، والذي يتم الرجوع إليه عمومًا عند السؤال “هل أحتاج إلى مظلة؟” يتم تحقيق ذلك من خلال نماذج “التنبؤ الآني” الخاصة بـ DeepMind، والتي تنظر بشكل أساسي إلى خرائط هطول الأمطار مثل سلسلة من الصور – وهي كذلك بالفعل – وتحاول التنبؤ بكيفية تطور وتحول الأشكال في تلك الصور.

مع ساعات لا حصر لها من رادار الدوبلر للدراسة، يمكن للنموذج أن يحصل على فكرة قوية جدًا عما سيحدث بعد ذلك، حتى في المواقف المعقدة إلى حد ما مثل الجبهة الباردة التي تجلب الثلوج أو الأمطار المتجمدة (كما هو موضح من قبل الباحثين الصينيين بناءً على عمل جوجل).

يعد هذا النموذج مثالاً على مدى دقة التنبؤات الجوية عندما يتم إجراؤها بواسطة نظام ليس لديه معرفة فعلية حول كيفية حدوث هذا الطقس. يمكن لعلماء الأرصاد الجوية أن يخبروك أنه عندما تصطدم هذه الظاهرة المناخية بظاهرة أخرى، فإنك تحصل على ضباب، أو برد، أو حرارة رطبة، لأن هذا ما تخبرهم به الفيزياء. لا يعرف نموذج الذكاء الاصطناعي شيئًا عن الفيزياء، كونه يعتمد على البيانات تمامًا، فهو ببساطة يقوم بتخمين إحصائي لما سيأتي بعد ذلك. تمامًا مثلما لا “يعرف” ChatGPT فعليًا ما يتحدث عنه، فإن نماذج الطقس لا “تعرف” ما تتوقعه.

قد يكون الأمر مفاجئًا لأولئك الذين يعتقدون أن وجود إطار نظري قوي ضروري لإنتاج تنبؤات دقيقة، وبالفعل لا يزال العلماء حذرين من الاعتماد الأعمى لنظام لا يعرف قطرة مطر من شعاع الشمس. لكن النتائج مثيرة للإعجاب مع ذلك، وفي الأمور منخفضة المخاطر مثل “هل ستمطر بينما أسير إلى المتجر” فهي أكثر من جيدة بما فيه الكفاية.

كما أظهر باحثو جوجل مؤخرًا نموذجًا جديدًا طويل المدى قليلاً يسمى MetNet-3، والذي يتنبأ بما يصل إلى 24 ساعة في المستقبل. وكما قد تتخيل، فإن هذا يجلب البيانات من منطقة أكبر، مثل محطات الأرصاد الجوية عبر المقاطعة أو الولاية، ويتم إجراء تنبؤاتها على نطاق أوسع. وذلك لأشياء مثل: «هل يعبر ذلك الريح الجبال أم يتبدد» ونحو ذلك. إن معرفة ما إذا كان من المحتمل أن تصل سرعة الرياح أو الحرارة إلى منطقة خطرة صباح الغد أمر ضروري لتخطيط خدمات الطوارئ ونشر الموارد الأخرى.

يأتي اليوم تطور جديد على النطاق “المتوسط” وهو 7-10 أيام في المستقبل. نشر باحثو Google DeepMind مقالًا في مجلة Science يصف GraphCast، الذي “يتنبأ بالظروف الجوية لمدة تصل إلى 10 أيام مقدمًا بشكل أكثر دقة وأسرع بكثير من نظام محاكاة الطقس القياسي الذهبي في الصناعة”.

اعتمادات الصورة: جوجل ديب مايند

لا يقوم GraphCast بالتصغير في الوقت فحسب، بل في الحجم، ليغطي الكوكب بأكمله بدقة تبلغ 0.25 درجة لخط الطول/خط العرض، أو حوالي 28 × 28 كيلومترًا عند خط الاستواء. وهذا يعني التنبؤ بما سيكون عليه الحال في أكثر من مليون نقطة حول الأرض، وبينما تكون بعض هذه النقاط بالطبع ذات أهمية أكثر وضوحًا من غيرها، فإن الهدف هو إنشاء نظام عالمي يتنبأ بدقة بأنماط الطقس الرئيسية لكوكب الأرض. في الأسبوع المقبل أو نحو ذلك.

“لا ينبغي اعتبار نهجنا بديلاً لطرق التنبؤ التقليدية بالطقس”، كما كتب المؤلفون، بل “دليل على أن MLWP قادر على مواجهة تحديات مشاكل التنبؤ في العالم الحقيقي ولديه القدرة على استكمال وتحسين أفضل الأساليب الحالية”. “.

لن يخبرك ما إذا كانت ستمطر في منطقتك أم في جميع أنحاء المدينة فقط، ولكنه مفيد جدًا للأحداث الجوية واسعة النطاق مثل العواصف الكبرى وغيرها من الحالات الشاذة الخطيرة. تحدث هذه في أنظمة يبلغ عرضها آلاف الكيلومترات، مما يعني أن GraphCast يحاكيها بتفاصيل كبيرة جدًا ويمكنه التنبؤ بحركاتها ونوعيتها خلال أيام الخروج – وكل ذلك باستخدام وحدة حسابية واحدة من Google لمدة أقل من دقيقة.

اعتمادات الصورة: جوجل ديب مايند

وهذا جانب مهم: الكفاءة. “التنبؤ العددي بالطقس”، النماذج التقليدية القائمة على الفيزياء، باهظ التكلفة من الناحية الحسابية. بالطبع يمكنها التنبؤ بشكل أسرع من حدوث الطقس، وإلا فإنها ستكون عديمة القيمة – ولكن عليك الحصول على كمبيوتر فائق السرعة للقيام بهذه المهمة، وحتى في هذه الحالة قد يستغرق الأمر بعض الوقت لإجراء تنبؤات مع اختلافات طفيفة.

لنفترض على سبيل المثال أنك لست متأكدًا مما إذا كانت شدة النهر الجوي ستزيد أو تنخفض قبل أن يعبر الإعصار القادم مساره. قد ترغب في إجراء بعض التنبؤات بمستويات مختلفة من الزيادة، وبعض التنبؤات بمستويات مختلفة من الانخفاض، وتنبؤ واحد إذا ظل كما هو، بحيث يكون التنبؤ جاهزًا عند حدوث أحد هذه الاحتمالات. مرة أخرى، يمكن أن يكون لهذا أهمية كبيرة عندما يتعلق الأمر بأشياء مثل العواصف والفيضانات وحرائق الغابات. إن معرفة أنه سيتعين عليك إخلاء منطقة ما قبل يوم واحد يمكن أن ينقذ الأرواح.

يمكن أن تصبح هذه الوظائف معقدة للغاية بسرعة كبيرة عندما تأخذ في الاعتبار الكثير من المتغيرات المختلفة، وفي بعض الأحيان سيتعين عليك تشغيل النموذج عشرات المرات، أو مئات، للحصول على فكرة حقيقية عن كيفية سير الأمور. إذا استغرقت هذه التنبؤات ساعة واحدة على مجموعة حواسيب عملاقة، فهذه مشكلة؛ إذا كانت كل دقيقة على جهاز كمبيوتر بحجم سطح المكتب لديك الآلاف منها، فلا توجد مشكلة على الإطلاق – في الواقع، قد تبدأ في التفكير في توقع المزيد من الاختلافات الدقيقة!

وهذه هي الفكرة وراء مشروع ClimSim في AI2، معهد ألين للذكاء الاصطناعي. ماذا لو أردت التنبؤ ليس فقط بـ 10 خيارات مختلفة لكيفية ظهور الأسبوع المقبل، بل بألف خيار لكيفية تطور القرن القادم؟

يعد هذا النوع من علوم المناخ مهمًا لجميع أنواع التخطيط طويل المدى، ولكن مع وجود كمية هائلة من المتغيرات التي يمكن التعامل معها والتنبؤات التي تمتد لعقود، يمكنك المراهنة على أن القوة الحسابية المطلوبة ضخمة بنفس القدر. لذلك يعمل فريق AI2 مع العلماء في جميع أنحاء العالم لتسريع وتحسين تلك التنبؤات باستخدام التعلم الآلي، وتحسين “التنبؤات” على نطاق القرن.

اعتمادات الصورة: AI2

تعمل نماذج ClimSim بشكل مشابه لتلك التي تمت مناقشتها أعلاه: فبدلاً من إدخال الأرقام في نموذج قائم على الفيزياء ومضبوط يدويًا، فإنها تنظر إلى جميع البيانات باعتبارها حقل متجه مترابط. عندما يرتفع رقم واحد ويرتفع الرقم بشكل موثوق إلى النصف، ولكن ينخفض ​​الرقم الثالث بمقدار الربع، يتم تضمين هذه العلاقات في ذاكرة نموذج التعلم الآلي حتى لو لم يكن يعرف أنها تتعلق بـ (على سبيل المثال) ثاني أكسيد الكربون في الغلاف الجوي، ودرجة حرارة السطح، والكتلة الحيوية للمحيطات.

قال قائد المشروع الذي تحدثت إليه إن النماذج التي قاموا ببنائها دقيقة بشكل مثير للإعجاب في حين أنها أرخص من حيث الأداء من الناحية الحسابية. لكنه اعترف بأن العلماء، رغم عقلهم المنفتح، يعملون (كما هو طبيعي) من مكان الشك. الكود موجود هنا إذا كنت تريد إلقاء نظرة بنفسك.

وفي ظل هذه الفترات الزمنية الطويلة، ومع تغير المناخ بسرعة كبيرة، فمن الصعب العثور على حقيقة أساسية مناسبة للتنبؤات الطويلة الأجل، ومع ذلك فإن هذه التنبؤات تزداد قيمة في كل وقت. وكما أشار باحثو GraphCast، فإن هذا ليس بديلاً عن الطرق الأخرى ولكنه مكمل. لا شك أن علماء المناخ سيحتاجون إلى كل أداة يمكنهم الحصول عليها.