نیروی هوایی آمریکا ۴۹ میلیون دلار برای داده‌های جوی WindBorne هزینه کرد

تصور کنید ارتش قدرتمندترین کشور جهان به‌جای تکیه بر شبیه‌سازی‌های پیچیده کامپیوتری، برای پیش‌بینی وضعیت جوی به دسته‌ای از بالن‌های هوشمند متکی شود. این رویایی نیست؛ بلکه استراتژی جدید نیروی هوایی آمریکا برای دستیابی به اطلاعات جوی دقیق و لحظه‌ای است.

به گزارش TechCrunch، نیروی هوایی ایالات متحده قراردادی با سقف ۴۹ میلیون دلار با شرکت WindBorne Systems امضا کرده است تا داده‌های منطقه‌ای خاص را به‌صورت سفارشی و بر اساس تقاضا دریافت کند. این قرارداد نشان‌دهنده تغییری بنیادین در نحوه کسب اطلاعات جوی توسط ارتش است. طبق این گزارش، تا تاریخ ۱۲ اکتبر ۲۰۲۶، مبلغ ۱.۷ میلیون دلار از این بودجه هزینه شده است.

زمینه

شرکت WindBorne Systems که در سال ۲۰۱۵ تأسیس شده و در رد‌وودسیتی کالیفرنیا مستقر است، سابقه همکاری نزدیکی با دولت ایالات متحده، از جمله نیروی دریایی و سازمان ملی هواشناسی (National Weather Service) دارد. با این حال، توافق فعلی بزرگ‌ترین قراردادی است که این شرکت تاکنون در آن مشارکت داشته است.

نکته حائز اهمیت این است که این قرارداد بدون برگزاری مناقصه رقابتی awarded شده است. این موضوع به معنای یک تصمیم رسمی از سوی دولت است مبنی بر اینکه WindBorne تنها شرکتی است که قادر است جمع‌آوری داده‌های جهانی را به گونه‌ای فراهم کند که با نیازهای عملیاتی آن‌ها سازگار باشد.

پیش‌بینی‌های سنتی آب‌وهوا بر پایه ابررایانه‌هایی است که معادلات فیزیکی را برای شبیه‌سازی جو اجرا می‌کنند. این روش‌ها — شبیه به کسی که سعی می‌کند با خواندن کتاب‌های تئوری، وضعیت ترافیک شهر را پیش‌بینی کند — بسیار هزینه‌بر از نظر محاسباتی و اغلب کندتر از جایگزین‌های مدرن هستند. WindBorne با کنار گذاشتن شبیه‌سازی‌ها به نفع مشاهده مستقیم و تجربی در مقیاس وسیع، در حال دگرگون کردن این صنعت است.

این شرکت در رد‌وودسیتی کالیفرنیا، ناوگانی متشکل از حدود ۷۰۰ بالن خودکار را در سراسر جهان مدیریت می‌کند. این وسایل نقلیه، خوانش‌های لحظه‌ای حسگرها را جمع‌آوری کرده و آن‌ها را به مدل اختصاصی هوش مصنوعی شرکت به نام WeatherMesh 6 می‌فرستند.

جزئیات

بر اساس مستندات فنی این شرکت، رویکرد WindBorne برخلاف سیستم‌های سنتی، شامل چندین نوآوری کلیدی است:

• تزریق مستقیم داده‌ها: این شرکت از نخستین سازمان‌هایی است که داده‌های خام تجربی را مستقیماً به یک مدل یادگیری عمیق (Deep Learning) تزریق می‌کند. این یعنی داده‌ها بدون واسطه به یک شبکه عصبی — شبکه‌ای از سلول‌های کوچک، شبیه نقشهٔ مترو، که سیگنال را از ورودی به جواب می‌رساند — می‌رسند.
• ناوبری پویا: بالن‌ها بدون موتور هدایت می‌شوند. این کار از طریق تنظیم ارتفاع، تخلیه هوا یا رها کردن ماسه (Ballast) برای سوار شدن بر جریان‌های بادی خاص انجام می‌شود.
• هوش مصنوعی عملیاتی: در اوت ۲۰۲۶، این شرکت از یک مدل یادگیری عمیق برای اتخاذ تصمیمات عملیاتی استفاده کرد تا یک سیستم بدون موتور را دقیقاً به درون چشم یک طوفان (Typhoon) بفرستد.

آندری سوشکو، مدیر فنی (CTO) شرکت، تأکید می‌کند که ناوبری به درون یک طوفان نیازمند دو عامل کلیدی بود: اول، داشتن ناوگانی به اندازه کافی بزرگ تا تضمین شود بالن‌ها در مکان درست قرار دارند، و دوم، داشتن مدل‌های بادی برای هدایت آن‌ها. این اتفاق یکی از اولین مواردی است که یک مدل یادگیری عمیق برای تصمیمات عملیاتی واقعی (و نه فقط پیش‌بینی) به کار گرفته شد.

به باور WindBorne، مدل WeatherMesh 6 پیش‌بینی‌های دقیق‌تری نسبت به مدل‌های سنتی مرکز اروپایی پیش‌بینی‌های میان‌مدت آب‌وهوا (ECMWF) ارائه می‌دهد. این تغییر نشان‌دهنده ترندی گسترده‌تر است که در آن معماری‌های ترنسفورمر (Transformer) و مجموعه‌داده‌های عظیم، جایگزین شبیه‌سازی‌های مبتنی بر فیزیک در هواشناسی می‌شوند.

یادگیری سرتاسری (End-to-end learning) اکنون می‌تواند داده‌های چندین دهه را تحلیل کند و پیش‌بینی‌ها را سریع‌تر از معادلات سنتی صادر کند. این رویکرد در جای دیگر این حوزه نیز دیده می‌شود؛ برای مثال، جدیدترین مدل آب‌وهوای گوگل دیپ‌مایند و ابزارهای پیش‌بینی سیکلون آن، اکنون در حال تبدیل شدن به بخش مرکزی پاسخ‌های دولت آمریکا به فصل طوفان‌ها هستند.

این مشارکت سیگنالی از وابستگی روزافزون دولت به زیرساخت‌های خصوصی هوش مصنوعی برای هواشناسی است. با کنار گذاشتن مناقصه رقابتی برای این قرارداد خاص، دولت آمریکا اذعان کرد که WindBorne تنها ارائه‌دهنده‌ای است که می‌تواند نیازهای داده‌ای جهانی آن‌ها را برآورده کند.

از منظر تجاری، این اتفاق استراتژی «چرخ‌دنده داده» (Data-flywheel) را تایید می‌کند. WindBorne از سرمایه ۳۷ میلیون دلاری سری B خود برای گسترش سخت‌افزار استفاده کرد و این سخت‌افزار به نوبه خود، داده‌های منحصربه‌فردی تولید می‌کند که مدل‌های AI شرکت را دقیق‌تر از مدل‌های آژانس‌های دولتی می‌کند. این رویکرد مشابه استراتژی‌های جسورانه دیگر در جمع‌آوری داده‌های آموزشی است، مانند زمانی که شرکت HUMXN برای دستیابی به داده‌های رباتیک، هزینه‌های تعمیرات خانگی کاربران را پرداخت کرد.

در نهایت، این بدان معناست که اطلاعات جوی از یک شبیه‌سازی علمی به یک «محصول داده‌ای لحظه‌ای» تبدیل شده است. توانایی هدایت یک بالن به مرکز طوفان با استفاده از AI دیگر یک پروژه تحقیقاتی نیست، بلکه یک قابلیت نظامی است.

باید منتظر ماند و دید که سایر آژانس‌های دفاعی چگونه این مدل‌های جوی مبتنی بر AI را در پاسخ به طوفان‌ها و برنامه‌ریزی‌های استراتژیک خود ادغام می‌کنند.

گام بعدی شما

• بررسی گزارش‌های مربوط به مدل‌های پیش‌بینی آب‌وهوای گوگل دیپ‌مایند برای درک تفاوت مدل‌های فیزیکی و داده‌محور.
• دنبال کردن اخبار مربوط به ادغام مدل‌های جوی AI در سیستم‌های مدیریت بحران و پاسخ به بلایای طبیعی.
• تحلیل اثرات کاهش هزینه‌های استنتاج در مدل‌های پیش‌بینی محیطی بر استارتاپ‌های AgTech.

اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell و پردازش داده‌های حجیم مراجعه کنید.