تعتمد التنبؤات الجوية الحالية على نماذج معقدة تُجسّد القوانين التي تحكم ديناميكيات الغلاف الجوي والمحيطات، وتُشغّل هذه النماذج على بعضٍ من أقوى الحواسيب العملاقة الموجودة. مع ذلك، تمكّنت شركة ألفابت (الشركة الأم لجوجل) من التنبؤ بالأحوال الجوية العالمية للأيام العشرة القادمة في دقيقة واحدة فقط باستخدام جهاز واحد بحجم حاسوب شخصي، وذلك بفضل الذكاء الاصطناعي الذي طوّرته شركة ديب مايند. يتنبأ الذكاء الاصطناعي من جوجل بالطقس ، وهذه مجرد البداية.
سنخبرك في هذه المقالة كيف يتنبأ Google AI بالطقس وكيف تطورت هذه التكنولوجيا.
يتنبأ Google AI بالطقس

والمثير للدهشة أن نظام الذكاء الاصطناعي هذا يتفوق على معظم أنظمة التنبؤ بالطقس الحديثة في كل جانب تقريبًا. ومن المثير للاهتمام أنه يبدو هذه المرة أن الذكاء الاصطناعي يعمل كمكمل للذكاء البشري بدلاً من استبداله.
يمتلك المركز الأوروبي للتنبؤات الجوية متوسطة المدى (ECMWF) نظامًا متطورًا للغاية خضع لتحديث كبير العام الماضي، مما حسّن من قدراته التنبؤية. ويضم المركز في منشآته بمدينة بولونيا الإيطالية حاسوبًا فائقًا مزودًا بحوالي مليون معالج (مقارنةً بمعالجين أو أربعة في الحاسوب الشخصي) وقدرة حاسوبية استثنائية تبلغ 30 بيتافلوب، أي ما يعادل رقمًا مذهلاً قدره 30.000 كوادريليون عملية حسابية في الثانية.
تُعدّ هذه القدرة الحاسوبية الهائلة أساسيةً لإحدى أدواتها، وهي نظام التنبؤ عالي الدقة (HRES)، الذي يتنبأ بدقة بأنماط الطقس العالمية متوسطة المدى، والتي تمتد عادةً لعشرة أيام، بدقة مكانية مذهلة تصل إلى تسعة كيلومترات . وتُشكّل هذه التنبؤات أساسًا لتوقعات الطقس التي يُقدّمها خبراء الأرصاد الجوية في جميع أنحاء العالم. ومؤخرًا، استُخدم نظام GraphCast، وهو نظام ذكاء اصطناعي طوّرته شركة Google DeepMind، لقياس قدرات هذا النظام المذهل للتنبؤ بالطقس.
نتائج دراسة الذكاء الاصطناعي

أظهرت نتائج المقارنة، التي نُشرت يوم الثلاثاء في مجلة ساينس، تفوق نظام GraphCast على نظام HRES في التنبؤ بالعديد من العوامل الجوية. ووفقًا للدراسة، يتفوق نظام جوجل على نظام المركز الأوروبي للتنبؤات الجوية متوسطة المدى (ECMWF) في 90,3% من أصل 1.380 معيارًا تم فحصها.
عند التركيز فقط على طبقة التروبوسفير، وهي الطبقة الجوية التي تحدث فيها معظم الأحداث الجوية، وباستثناء البيانات الواردة من طبقة الستراتوسفير، التي تقع على ارتفاع حوالي 6 إلى 8 كيلومترات فوق سطح الأرض، يتفوق الذكاء الاصطناعي (A.I.) على أجهزة الكمبيوتر العملاقة التي يشرف عليها الإنسان في 99,7% من حالات. المتغيرات التي تم تحليلها. والمثير للدهشة أن هذا الإنجاز تم تحقيقه باستخدام جهاز يشبه إلى حد كبير جهاز الكمبيوتر الشخصي المعروف باسم وحدة المعالجة الموترية أو TPU.
بحسب ألفارو سانشيز غونزاليس، الباحث في جوجل ديب مايند، فإن وحدات معالجة الموتر (TPUs) عبارة عن أجهزة متخصصة توفر تدريبًا وتنفيذًا أكثر كفاءة لبرامج الذكاء الاصطناعي مقارنةً بالحاسوب الشخصي العادي، مع الحفاظ على حجم مماثل. وكما تركز بطاقة الرسومات في الحاسوب على عرض الصور، صُممت وحدات معالجة الموتر للتفوق في التطبيقات القائمة على المصفوفات. في تدريب GraphCast، استخدمنا 32 وحدة معالجة موتر على مدى عدة أسابيع. ومع ذلك، بمجرد اكتمال التدريب، استطاعت وحدة معالجة موتر واحدة توليد تنبؤات في أقل من دقيقة ، كما أوضح سانشيز غونزاليس، أحد مبتكري الجهاز.
أنظمة GraphCast والتنبؤ

يتميز نظام GraphCast عن أنظمة التنبؤ الحالية بقدرته على دمج البيانات التاريخية. فقد قام مطوروه بتدريب النظام باستخدام بيانات الأرصاد الجوية من أرشيف المركز الأوروبي للتنبؤات الجوية متوسطة المدى (ECMWF) التي يعود تاريخها إلى عام 1979. وتغطي هذه المجموعة الواسعة من البيانات هطول الأمطار في سانتياغو والأعاصير التي ضربت أكابولكو على مدى أربعين عامًا . وبعد تدريب مكثف، يتمتع GraphCast بقدرة فائقة على إصدار تنبؤات جوية دقيقة.
لا يتطلب الأمر سوى معرفة أحوال الطقس قبل ست ساعات من موعد التنبؤ، ومعرفة أحوال الطقس مباشرةً قبل موعده، للتنبؤ بدقة بحالة الطقس قبل ست ساعات. وتعتمد التنبؤات على بعضها البعض، حيث يُسهم كل تنبؤ جديد في تحسين التنبؤ السابق. يشرح فيران أليت، أحد مبتكري هذا النظام المذهل من ديب مايند، آلية عمله قائلاً: "تتنبأ شبكتنا العصبية بأحوال الطقس قبل ست ساعات. وللتنبؤ بحالة الطقس قبل 24 ساعة، نقوم ببساطة بتقييم النموذج أربع مرات. كان بإمكاننا بدلاً من ذلك تدريب نماذج منفصلة لفترات زمنية مختلفة، مثل نموذج لست ساعات وآخر لـ 24 ساعة. لكننا ندرك أن المبادئ الأساسية التي تحكم الطقس تظل ثابتة خلال فترة ست ساعات . "
"لذلك، إذا تمكنا من اكتشاف نموذج الست ساعات المناسب واستخدام تنبؤاته الخاصة كمدخلات، فيمكننا التنبؤ بدقة بالطقس خلال الـ 6 ساعة القادمة وتكرار هذه العملية كل ست ساعات." وفقًا لـ Alet، يوفر هذا النهج كمية كبيرة من البيانات لنموذج واحد، مما يؤدي إلى تدريب أكثر كفاءة.
حتى الآن، اعتمدت التنبؤات الجوية على التنبؤ العددي، الذي يستخدم معادلات علمية طُوّرت عبر الزمن لمراعاة تعقيدات ديناميكيات الغلاف الجوي. وقد حددت نتائج الباحثين مجموعة من الخوارزميات الرياضية التي يجب على الحواسيب العملاقة تشغيلها لتوليد تنبؤات للساعات أو الأيام أو الأسابيع القادمة (مع العلم أن دقة التنبؤات تنخفض بشكل ملحوظ بعد 15 يومًا). إلا أن إنجاز هذه المهمة يتطلب حاسوبًا عملاقًا متطورًا للغاية، مما يستلزم تكاليف باهظة وجهودًا هندسية كبيرة.
يتنبأ نموذج Google AI بالطقس
الأمر اللافت للنظر بشكل خاص هو أن هذه الأنظمة لا تستخدم الظروف الجوية لليوم السابق أو حتى العام السابق ، على الرغم من حدوثها في نفس المكان وفي نفس الوقت.
على العكس من ذلك، فهو يقترب من المهمة من زاوية مختلفة، بل على العكس تقريبًا. ومن خلال قدرات التعلم العميق المتقدمة، فإنه يستخدم أرشيفات واسعة النطاق لبيانات الطقس السابقة للحصول على فهم شامل لديناميكيات السبب والنتيجة المعقدة التي تملي تطور مناخ الأرض.
بحسب خوسيه لويس كاسادو، المتحدث باسم الوكالة الإسبانية للأرصاد الجوية (AEMET)، فإن النموذج الجوي لا يأخذ البيانات التاريخية في الحسبان. ويوضح كاسادو أن هذا النموذج يعتمد على الملاحظات الحالية وأحدث تنبؤات النموذج نفسه. ومن خلال الفهم الدقيق للحالة الراهنة للغلاف الجوي، يُمكن التنبؤ بتطوره المستقبلي. وعلى عكس تقنيات التعلم الآلي، لا يستخدم هذا النهج البيانات أو التنبؤات التاريخية.
مؤشر