تفاوت میان یک تخلیهٔ سازمان‌یافته و یک فاجعهٔ انسانی، اغلب در دست‌یابی به تنها ۲۴ ساعت زمانِ بیشتر برای هشدار طوفان است. گوگل در نتایجی که ۶ اوت ۲۰۲۶ در نشریه Nature منتشر شد، نشان داد که مدل WeatherNext توانسته است پیشرفت‌های هواشناسی یک دهه اخیر را در یک سامانه واحد فشرده کند.
این پیشرفت در حالی رخ می‌دهد که نوسانات اقلیمی جهانی، ریسک سامانه‌های هشدار زودهنگام را افزایش داده است. طبق آمارهای نقل‌شده از دیپ‌مایند (DeepMind)، طوفان‌های استوایی در ۵۰ سال گذشته باعث مرگ بیش از ۷۰۰ هزار نفر و خسارت اقتصادی ۱.۴ تریلیون دلاری شده‌اند؛ یعنی خطای پیش‌بینی مستقیماً با جان انسان‌ها و سرمایه‌ها در ارتباط است. در همین راستا، رویکردهای متفاوتی برای مدیریت این بحران‌ها توسعه یافته است، از جمله راهکارهای GOSafe برای تحلیل ریسک بلایای طبیعی که بر نقش هوش مصنوعی محدود در نقشه‌برداری از مخاطرات تأکید دارد.
همان‌طور که در پوشش پیشین ما درباره‌ی ابزارهای هوش مصنوعی در گوگل مپس دیدیم، این شرکت پیش از این AI را در ابزارهای مصرف‌کننده ادغام کرده بود، اما WeatherNext یک چرخش به سمت محاسبات علمی با ریسک بالا است. این پروژه حاصل همکاری گسترده میان گوگل دیپ‌مایند، گوگل ریسرچ، مرکز ملی طوفان‌های آمریکا (NHC)، دفتر هواشناسی بریتانیا (UK Met Office) و مؤسسه مشترک تحقیقات جوی است.
معماری فنی و عملکرد
بر اساس مستندات مقاله Nature، این سامانه پیش‌بینی‌های مجموعه‌ای (Ensemble Forecasts) برای مسیر، شدت و اندازه طوفان تا ۱۵ روز آینده تولید می‌کند. در ارزیابی‌های انجام‌شده روی طوفان‌های سال‌های ۲۰۲۳ تا ۲۰۲۵، این مدل در هر سه معیار، به‌طور میانگین ۲۴ ساعت یا بیشتر زمان پیش‌بینی را افزایش داد. به زبان ساده، پیش‌بینی سه روزه این مدل با آنچه سامانه‌های قبلی در دو روز ارائه می‌دادند، برابری می‌کند.
مشخصات فنی کلیدی عبارتند از:
- داده‌های آموزش: ترکیبی از تحلیل‌های جوی جهانی و پایگاه داده IBTrACS شامل نزدیک به ۵ هزار طوفان تاریخی.
- سازوکار: استفاده از شبکه‌های مولد تابعی (Functional Generative Networks) برای تولید توزیع‌های احتمالی به‌جای پیش‌بینی‌های تک‌نقطه‌ای.
- مقیاس: پشتیبانی از مجموعه‌های ۱۰۰۰ عضوی، که ۲۰ برابر ظرفیت سامانه قبلی (۵۰ عضو) است و اجازه می‌دهد رویدادهای نادر مانند تشدید سریع طوفان بهتر شناسایی شوند.
یکی از بحث‌برانگیزترین یافته‌ها، بهره‌وری مدل در مورد وضوح مکانی (Spatial Resolution) است. مدل‌های منطقه‌ای سنتی برای پیش‌بینی شدت طوفان به وضوح بالا نیاز دارند، اما WeatherNext Cyclones با ورودی‌های ۲۸ در ۲۸ کیلومتر کار می‌کند که حدود ۱۰۰ برابر خشن‌تر (Coarser) از مدل‌های استاندارد است. حتی نسخه کوچک‌تر WeatherNext 2-mini در وضوح ۱۱۱ در ۱۱۱ کیلومتر عملکرد خوبی دارد.
پژوهشگران گوگل اذعان کرده‌اند که هنوز به‌طور کامل نمی‌دانند مدل چگونه سیگنال‌های شدت را از داده‌های چنین وضوح پایینی استخراج می‌کند. در مقاله ذکر شده که وضوح بالا پیش‌نیاز قطعی برای پیش‌بینی شدت در سطح استانداردهای جهانی نیست؛ موضوعی که اکنون با انتشار وزن‌های باز (Open Weights) به یک پرسش پژوهشی برای جامعه علمی تبدیل شده است.
اعتبارسنجی عملیاتی
کاربرد این مدل در فصل طوفان‌های اقیانوس اطلس در سال ۲۰۲۵ به اثبات رسید. مدل به‌طور موازی با جریان کاری عملیاتی مرکز ملی طوفان‌های آمریکا اجرا شد و گزارش تأییدیه سال ۲۰۲۵ این مرکز، عملکرد آن را مستند کرده است. به گزارش Wired، در اکتبر ۲۰۲۵، WeatherNext با اطمینان ۸۰ درصد پیش‌بینی کرد که طوفان «ملیسا» پنج روز پیش از رسیدن به ساحل، به‌عنوان طوفانی از رده ۵ به جامائیکا ضربه خواهد زد. این موفقیت در واقع تکرار دستاورد پیش‌بینی ۵ روزه WeatherNext در رصد توفندها بود که دقت خیره‌کننده این مدل را در مواجهه با طوفان‌های شدید به نمایش گذاشت. این پیش‌بینی به NHC اجازه داد هشدارهای زودهنگامی صادر کند، در حالی که مدل‌های دیگر پیش‌بینی کرده بودند طوفان ضعیف می‌ماند یا به Haiti برخورد می‌کند.
در حال حاضر، این سامانه برای هر طوفان ۱۰۰۰ سناریوی احتمالی تولید می‌کند تا به تصمیم‌گیری پیش‌بینان کمک کند. برای جامعه فنی، این اتفاق معیار هوش مصنوعی هواشناسی را از «وضوح وابسته به محاسبات سنگین» به «بهره‌وری معماری» تغییر می‌دهد.
استقرار و متن‌بازسازی
این واقعیت که یک پیش‌بینی ۱۵ روزه اکنون در کمتر از یک دقیقه روی یک TPU واحد اجرا می‌شود، به این معناست که مانع اصلی پذیرش این فناوری دیگر سخت‌افزار نیست، بلکه تخصص در ادغام سیستم‌هاست.
گوگل سه نسخه را در GitHub منتشر کرده است:
- WeatherNext Cyclones: نسخه‌ای که در فصل طوفان‌ها استفاده شد و در مقاله Nature شرح داده شده است.
- WeatherNext 2: به‌روزرسانی جدیدتری که گوگل در اکتبر ۲۰۲۵ عملیاتی کرد.
- WeatherNext 2-mini: نسخه‌ای فشرده که روی یک TPU واحد در محیط رایگان Colab اجرا می‌شود.
این ابزارها در کنار Weather Lab گسترش‌یافته — که اکنون پیش‌بینی‌های جهانی دما، بارش و سرعت باد را پوشش می‌دهد — بخشی از Google Earth AI هستند. پژوهشگران اکنون باید وزن‌های عمومی را در گیت‌هاب بررسی کنند تا «پارادوکس وضوح» را رمزگشایی کرده و ببینند آیا این بهره‌وری در داده‌های خشن را می‌توان در سایر پدیده‌های جوی به کار برد یا خیر.
گام بعدی شما
- اگر توسعه‌دهنده هستید، نسخه WeatherNext 2-mini را در Colab اجرا کنید تا سرعت استنتاج مدل‌های جوی جدید را تجربه کنید.
- پژوهشگران هواشناسی باید روی «پارادوکس وضوح» تمرکز کنند تا متوجه شوند کدام ویژگی‌های داده‌ای در مدل‌های خشن حذف می‌شوند اما تأثیری بر دقت ندارند.
- بررسی کنید که آیا می‌توان از معماری شبکه‌های مولد تابعی برای پیش‌بینی سایر بحران‌های محیطی با داده‌های محدود استفاده کرد یا خیر.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره تراشه‌های Blackwell و بهینه‌سازی استنتاج در مقیاس جهانی مراجعه کنید.
گفتگو