تصور کنید اپلیکیشن هواشناسی شما به‌جای پیش‌بینی کلی برای کل شهر، دقیقاً لحظه رسیدن طوفان به خیابان شما را اعلام کند. این هدف نهایی گذار از شبیه‌سازی‌های ریاضی کند به داده‌های دانه‌ریز و مبتنی بر هوش مصنوعی است.
گوگل دیپ‌مایند (Google DeepMind) و گوگل ریسرچ (Google Research) در ۳ سپتامبر ۲۰۲۶ مدل WeatherNext 3 را منتشر کردند تا پیش‌بینی وضعیت جوی را از شبیه‌سازی‌های ریاضی زمان‌بر به یادگیری عمیق سریع تغییر دهند. این مدل اکنون پیش‌بینی‌هایی با وضوح بالا ارائه می‌دهد که زیرساخت داده‌های هواشناسی در گوگل سرچ، گوگل مپس و جمینای (Gemini) را تامین می‌کند. همچنین این ابزار در دسترس پژوهشگران و کاربران پلتفرم‌های ابری گوگل قرار خواهد گرفت.
سامیر مرچنت، مهندس ارشد گوگل، به نقل از تک‌کرانچ می‌گوید: «این نخستین بار است که برخی از متغیرهای اصلی جوی، مستقیماً به محصولات گوگل تغذیه و قدرت می‌بخشند.»
هواشناسی سنتی بر ابرکامپیوترهای دولتی متکی است که معادلات پیچیده فیزیک را حل می‌کنند؛ سیستمی که با وجود دقت، بسیار گران و کند است. همان‌طور که در تحلیل قبلی ما درباره‌ی کاربرد هوش مصنوعی در پژوهش‌های پیچیده — مانند استفاده از Gemini 3.8 Flash برای شناسایی سریع‌تر آسیب‌پذیری‌های سایبری — اشاره کردیم، مدل WeatherNext 3 نیز همین بهره‌وری را در تحلیل جو زمین پیاده کرده است.
زمینه: چرخش به سمت یادگیری عمیق
از سال ۲۰۱۸ که مرکز اروپایی پیش‌بینی‌های میان‌مدت (ECMWF) داده‌های بیش از نیم قرن اخیر را منتشر کرد، پژوهشگران از یادگیری عمیق (Deep Learning) — شبیه به یادگیری یک کودک که با دیدن هزاران عکس، الگوهای تکراری را می‌شناسد و پیش‌بینی می‌کند — برای رسیدن به دقت ابزارهای دولتی با سرعتی بسیار بیشتر استفاده کرده‌اند. این رویکرد در نسخه‌های پیشین نیز موفق بود و مدل WeatherNext توانست با استفاده از داده‌های کم‌وضوح، دقت جهانی خود را ارتقا دهد.
فران آلت، مدیر پژوهشی در دیپ‌مایند، توضیح می‌دهد که وضعیت جوی ماهیت آشوبناک دارد و تغییرات کوچک می‌توانند نتایج را به‌شدت تغییر دهند. یادگیری ماشین این مشکل را با شناسایی الگوها در داده‌های عظیم حل می‌کند تا بتواند «فیزیک نویزی» را از اطلاعات ناقص و توان محاسباتی محدود تخمین بزند.
بر اساس داده‌های Operational WeatherBench (ابزاری ساخته شده توسط استارتاپ Brightband)، مدل WeatherNext 3 دقیق‌ترین مدل در میان رقبای برتر است. این مدل توانست از مدل‌های یادگیری عمیق مایکروسافت، انویدیا و ECMWF و همچنین پیش‌بینی‌های سنتی سازمان ملی هواشناسی آمریکا پیشی بگیرد.
پیشرفت‌های فنی
طبق گزارش تک‌کرانچ، WeatherNext 3 از نظر تعداد پارامترها (Parameters) ۲.۴ برابر بزرگ‌تر از نسل قبلی است. این مقیاس در کنار بهینه‌سازی اهداف برای بخش‌های رمزگشا (decoder heads)، منجر به بهبودهای زیر شده است:
- دانه‌ریزی: پیش‌بینی متغیرهای کلیدی مثل دما، سرعت باد و رطوبت تا تفکیک ۵ کیلومتر (بهبود چشمگیر نسبت به میانگین ۱۵ تا ۲۵ کیلومتر مربع قبلی).
- دقت بارش: ارزیابی‌های مربوط به بارش نسبت به نسخه ۲ حدود ۶۰٪ بهبود یافته است.
- بسامد زمانی: تولید پیش‌بینی‌های ساعتی به‌جای بازه‌های ۶ ساعته که استاندارد صنعت است.
- بصری‌سازی: فراتر از معیارهای استاندارد که در یک شبکه سه‌بعدی میانگین‌گیری می‌شوند، این مدل برای بصری‌سازی دقیق مسیر حرکت سیکلون‌ها تنظیم شده است. این قابلیت در رصد پدیده‌های حدی بسیار حیاتی است، به‌طوری که WeatherNext پیش‌تر موفق شد یک توفند category 5 را ۵ روز زودتر پیش‌بینی کند.
جذب داده‌ها
مدل WeatherNext 3 نخستین مدل جهانی با وضوح بالا است که مشاهدات خام و ساعتی ماهواره‌ها را مستقیماً جذب می‌کند. پیش از این، مدل‌های هوش مصنوعی به مجموعه‌داده‌های فرمت‌شده توسط سازمان‌های دولتی وابسته بودند.
اگرچه استارتاپ WindBorne ادعا می‌کند مدل WeatherMesh 6 از اواخر ۲۰۲۵ از داده‌های خام بالون‌ها استفاده کرده، اما گوگل مدعی است تفکیک جهانی مدلش برتر است. با این حال، هر دو مدل هنوز برای برخی پیش‌بینی‌ها به داده‌های ملی متکی هستند و جذب مستقیم داده‌ها هنوز در حال تکامل است.
برای تضمین صحت داده‌ها، پژوهشگران مدل را بر اساس ایستگاه‌های خاص هواشناسی آموزش دادند. دانیل روتنبرگ، دانشمند جوی در Brightband، اشاره می‌کند که پیش‌بینی دقیق آنچه یک سنسور خاص (مثلاً در فرودگاه دنور) هر ساعت اندازه می‌گیرد، تسک پیش‌بینی را به واقعیت نزدیک‌تر می‌کند.
چرخش اقتصادی
این تحول «مالیات محاسباتی» هواشناسی را حذف می‌کند. سنسورهای پیشرفته و ابرکامپیوترها برای کشورهای در حال توسعه بسیار گران هستند. مدل‌های هوش مصنوعی که پس از آموزش، هزینه اجرای بسیار کمتری دارند، پیش‌بینی‌های دقیق را به مناطق فقیر می‌رسانند. بیل گیتس اخیراً این موضوع را یک مزیت حیاتی دانست و اشاره کرد که پیش‌بینی بهتر، بازده محصولات کشاورزی را در کشورهای فقیر افزایش می‌دهد.
در بخش انرژی، داده‌های دقیق‌تر از پوشش ابر و باد، پروژه‌های انرژی تجدیدپذیر را قابل‌اتکا می‌کند. گوگل با کاهش نویز در «فیزیک تقریبی»، داده‌های آشوبناک جو را به یک ابزار تجاری قابل‌اعتماد تبدیل کرده است.
فران آلت می‌گوید: «در نهایت، هدف گوگل ارائه اطلاعات مفید به کاربر است و بخش زیادی از نیازهای کاربران با هواشناسی گره خورده است.»
چه مدیر یک مزرعه در کشوری در حال توسعه باشید و چه مدیریت شبکه برق یک کلان‌شهر را بر عهده داشته باشید، هزینه دستیابی به دقت اکنون به‌شدت کاهش یافته است. گلوگاه دیگر ابرکامپیوتر نیست، بلکه کیفیت جریان داده‌های خام است.
منتظر باشید تا ببینید این ادغام چگونه بر قابلیت‌های بلادرنگ جمینای اثر می‌گذارد، زیرا این مدل متغیرهای اصلی جوی را مستقیماً به پایگاه دانش مدل زبانی بزرگ (LLM) تغذیه می‌کند.
گام بعدی شما
- بررسی نحوه ادغام داده‌های WeatherNext 3 در پاسخ‌های بلادرنگ جمینای برای برنامه‌ریزی‌های سفر.
- دنبال کردن گزارش‌های مربوط به کاهش هزینه‌های بیمه کشاورزی در مناطق در حال توسعه به دلیل پیش‌بینی‌های دقیق‌تر.
- تحلیل اثر این مدل بر بازدهی نیروگاه‌های بادی در مناطق با تغییرات جوی سریع.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های TPU نسل جدید گوگل مراجعه کنید.
گفتگو