۲۳۰ کیلومتر؛ این عدد میانگین خطای موقعیت در پیش‌بینی‌های پنج‌روزه طوفان‌هاست که گوگل دیپ‌مایند آن را به دست آورده است. این رقم پیشرفتی چشمگیر نسبت به خطای ۳۳۵ کیلومتری مدل GenCast (سلف این سیستم) و خطای ۳۷۰ کیلومتری سامانه مجموعه‌ای ECMWF (ENS) است. در عمل، این افزایش دقت به‌طور مؤثری یک روز کامل زمان هشدار بیشتر به امدادگران و تیم‌های مدیریت بحران می‌دهد تا اقدامات پیشگیرانه را اجرا کنند.
پیش‌بینی طوفان‌های گرمسیری سال‌هاست که یک بازی با حاصل‌جمع صفر بوده است. مدل‌های جهانی مانند سامانه مجموعه‌ای ECMWF در پیش‌بینی مسیر (Track) بسیار قوی هستند اما برای تخمین شدت (Intensity)، بیش از حد کلی و درشت‌دانه (Coarse) هستند. در مقابل، مدل‌های منطقه‌ای تخصصی مانند سامانه تحلیل و پیش‌بینی طوفان‌های سازمان NOAA (موسوم به HAFS)، خوانش‌های دقیق‌تری از شدت طوفان ارائه می‌دهند اما در پیش‌بینی مسیر دچار خطا می‌شوند. WeatherNext Cyclones (WN-C) طبق مقاله‌ای که در نشریه Nature منتشر شده، این تضاد دهه-ساله را با مدیریت هر دو معیار در یک سامانه واحد حل کرده است.
این دستاورد در حالی رخ می‌دهد که آزمایشگاه دیپ‌مایند با تغییرات مدیریتی و جابجایی‌های شدیدی در سطح رهبری روبروست. همان‌طور که پیش‌تر پوشش دادیم، دیمیس هاسابیس، مدیرعامل دیپ‌مایند، اخیراً به نقش دانشمند ارشد آلفابت منتقل شد. همزمان، جف دین، پژوهشگر پیش‌کسوت، پس از ۲۷ سال فعالیت در گوگل، برای تأسیس استارتاپ AI به نام Discovery Loop به همراه چندین پژوهشگر ارشد دیگر، این مجموعه را ترک کرد.
معماری فنی و عملکرد
مدل WN-C رویکرد مبتنی بر انتشار (Diffusion) که در مدل GenCast استفاده می‌شد را با شبکه‌های مولد تابعی (Functional Generative Networks یا FGN) جایگزین کرده است. مدل‌های انتشار — روشی که در تولیدکننده‌های تصاویر AI رایج است — نیاز داشتند تا در هر گام پیش‌بینی، ده‌ها بار از شبکه عصبی (Neural Network) عبور کنند. شبکه عصبی در واقع مجموعه‌ای از سلول‌های کوچک است، شبیه به یک نقشه مترو، که سیگنال را از ورودی به جواب می‌رساند. اما FGN تنها با یک بار عبور (Single Pass) از شبکه، نتیجه را تولید می‌کند و همین امر باعث شده سرعت مدل ۸ برابر افزایش یابد.
برای مدیریت عدم قطعیت و پیش‌بینی احتمالات، این سیستم به‌جای افزودن نویز به تک‌تک پیکسل‌ها، نویز را به لایه‌های کنترلی شبکه تزریق می‌کند. این سازوکار باعث می‌شود سناریوهای مختلف اما از نظر فیزیکی سازگار تولید شوند، نه صرفاً نسخه‌های نویزی و بی‌معنی از یک خروجی واحد.
بر اساس مستندات فنی، شاخص‌های کلیدی عملکرد عبارت‌اند از:
- دقت شدت: در پیش‌بینی‌های سه‌روزه، WN-C حدود ۳.۷۵ گره (تقریباً ۴.۳ مایل در ساعت) دقیق‌تر از مدل HAFS است.
- سرعت: یک پیش‌بینی ۱۵ روزه در کمتر از یک دقیقه روی یک تراشه AI گوگل اجرا می‌شود.
- مقیاس: این سیستم توانسته است تعداد اجراهای موازی پیش‌بینی را از ۵۰ سناریو به ۱۰۰۰ سناریو برای هر طوفان افزایش دهد.
- قابلیت اطمینان: این مقیاس باعث شده است «شاخص موفقیت بحرانی» (CSI) — که هشدارهای درست را در برابر هشدارهای کاذب و رویدادهای از دست رفته می‌سنجد — از زیر ۰.۳ به ۰.۵ برسد.
- ارزش احتمالی: در پیش‌بینی‌های احتمالی شدت طوفان، WN-C بیش از دو برابر بهتر از ENS و GenCast عمل می‌کند. به‌ویژه برای بادهای ۶۴ گره‌ای (که آستانه تبدیل شدن به هریکان است)، این مدل ارزش کاربردی بالاتری برای تصمیم‌گیری‌های عملیاتی نسبت به ENS ارائه می‌دهد.
داده‌ها و وضوح تصویر
به‌طور شگفت‌انگیزی، این مدل نتایج را با استفاده از یک شبکه داده‌ای درشت (Coarse) به دست آورده که هر نقطه آن حدود ۲۸ کیلومتر را پوشش می‌دهد؛ این یعنی حدود ۱۰۰ برابر درشت‌تر از مدل‌های منطقه‌ای تخصصی. پژوهشگران دیپ‌مایند اشاره کرده‌اند که حتی نسخه‌ای فشرده‌تر با نقاط ۱۱۱ کیلومتری نیز نتایج رقابتی تولید می‌کند. آن‌ها در مقاله خود می‌نویسند که «وضوح بالا یک پیش‌نیاز قطعی برای پیش‌بینی شدت در سطح استانداردهای جهانی نیست».
برای آموزش سیستم، تیم از دو منبع داده متمایز استفاده کرد:
- نزدیک به ۲۰ ترابایت داده‌های جوی جهانی حاصل از تحلیل‌های ECMWF.
- یک پایگاه داده منتخب شامل حدود ۵۰۰۰ طوفان تاریخی.
برای اینکه مدل بتواند از هر دو منبع یاد بگیرد، داده‌های جدولی طوفان‌ها — شامل موقعیت، شدت و وسعت — روی همان شبکه جغرافیایی داده‌های هواشناسی تصویر (Project) شدند. این کار به شبکه اجازه می‌دهد مسیر، شدت و شعاع باد را مستقیماً پیش‌بینی کند. مطالعات حذف (Ablation studies) در مقاله تأیید می‌کند که همین آموزش مشترک (Joint Training) است که باعث ایجاد این بهبودها شده است.
ادغام با سامانه‌های سنتی
دیپ‌مایند تأکید می‌کند که WN-C مکمل مدل‌های عددی مبتنی بر فیزیک است، نه جایگزین آن‌ها. مرکز ملی طوفان‌ها (NHC) معمولاً نتایج چندین مدل را برای پیش‌بینی‌های رسمی با یک میانگین وزنی ترکیب می‌کند که بین پیش‌بینی مسیر (TVCN) و پیش‌بینی شدت (IVCN) تقسیم می‌شود.
در شبیه‌سازی‌های مربوط به افزودن وزنی WN-C به این مدل‌های اجماعی، پیش‌بینی مسیر به‌طور میانگین ۲۸٪ و پیش‌بینی شدت حدود ۶٪ بهبود یافت. رشد کمتر در بخش شدت نشان می‌دهد که مدل‌های سنتی فیزیکی هنوز در این حوزه سهم و نقش پررنگی دارند.
این پیشرفت در مقایسه با روندهای تاریخی تکان‌دهنده است. خطاهای موقعیت در ENS و خطاهای شدت در HWRF از سال ۲۰۰۵ به‌کندی کاهش یافته‌اند. جهشی که WN-C در یک گام ایجاد کرد، تقریباً معادل یک دهه پیشرفت تدریجی و incremental در مدل‌های سنتی است.
استقرار در دنیای واقعی
از ژوئن ۲۰۲۵، این پیش‌بینی‌ها به‌صورت زنده در Weather Lab گوگل اجرا شده‌اند؛ پلتفرمی که توسط دیپ‌مایند و گوگل ریسرچ راه‌اندازی شده است. این مدل با همکاری نزدیک مرکز ملی طوفان‌ها (NHC) و مؤسسه همکاری برای تحقیقات در جو (CIRA) ساخته شده است.
در جریان برخورد طوفان ملیسا با جامائیکا در سال ۲۰۲۵، این مدل به NHC کمک کرد تا «تشدید سریع» (Rapid Intensification) طوفان را به‌موقع پیش‌بینی کند. تشدید سریع به عنوان طوفانی تعریف می‌شود که سرعت باد آن در عرض ۲۴ ساعت حداقل ۳۰ گره (حدود ۳۴ مایل در ساعت) افزایش یابد.
گوگل کد و وزن‌های باز (Open Weights) — یعنی دستور پخت مدل علناً منتشر شده، نه فقط غذای آماده — هر دو مدل WeatherNext 2 (هوش مصنوعی پایه هواشناسی) و WeatherNext Cyclones را در گیت‌هاب منتشر کرده است. این رویکرد انتشار وزن‌های باز، مشابه استراتژی‌های اخیر در مدل‌های کدنویسی است که به‌طور گسترده برای توسعه‌دهندگان بهینه شده‌اند. نسخه‌ای کوچک (Mini) از آن از طریق نوت‌بوک‌های Colab روی یک TPU در دسترس است، هرچند نویسندگان تأکید می‌کنند که کاربران برای هشدارهای رسمی حتماً به سازمان‌های ملی هواشناسی استناد کنند.
این موفقیت پس از سوابق متناقض گوگل در هشدارهای ایمنی می‌آید. سامانه هشدار زلزله اندروید در زلزله ۲۰۲۳ ترکیه، شدت زلزله ۷.۸ را به‌شدت دست‌کم گرفت و آن را تنها ۴.۵ تا ۴.۹ تخمین زد و در حالی که میلیون‌ها نفر باید هشدار می‌دیدند، تنها ۴۶۹ هشدار بحرانی ارسال کرد.
برای کسانی که اثر AI را بر ایم ایمنی اقلیمی دنبال می‌کنند، معیار بحرانی بعدی این خواهد بود که این مجموعه‌های احتمالی چگونه با رویدادهای نادر و «قوی سیاه» (Black Swan) در محیط عملیاتی و تولید واقعی برخورد می‌کنند.
گام بعدی شما
- اگر پژوهشگر داده هستید، وزن‌های باز مدل را در گیت‌هاب بررسی کنید تا نحوه ترکیب داده‌های جدولی و شبکه‌ای را تحلیل کنید.
- عملکرد مدل‌های AI در برابر مدل‌های فیزیکی را در گزارش‌های بعدی NHC دنبال کنید.
- برای تست سریع، نسخه Mini مدل را در Colab اجرا کنید.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های TPU و بهینه‌سازی استنتاج مراجعه کنید.
گفتگو