هوش مصنوعی گوگل توفندها را بسیار دقیق پیش‌بینی می‌کند، اما دانشمندان نمی‌دانند چطور

در اکتبر ۲۰۲۵، توفندی بر فراز دریای کارائیب شکل گرفت. مدل‌های آب‌وهوایی در مورد مسیر آن اختلاف نظر داشتند. برخی پیش‌بینی می‌کردند این توفند ضعیف می‌ماند و به هائیتی می‌رسد، و برخی دیگر معتقد بودند تشدید می‌شود و به سمت جامائیکا حرکت می‌کند.

مدل هوش مصنوعی WeatherNext که توسط گوگل دپ‌مایند و گوگل ریسرچ ساخته شده بود، گزینه‌ی دوم را انتخاب کرد. این مدل پنج روز قبل از رسیدن توفند به خشکی، با ۸۰ درصد اطمینان پیش‌بینی کرد که این سامانه‌ی توفندی به صورت یک توفند رده‌ی ۵ به جامائیکا برخورد خواهد کرد.

توفند ملیسا فاجعه‌بار بود و سیل و رانش زمین گسترده‌ای را در سراسر جامائیکا به همراه داشت. اما پیش‌بینی دقیق و زودهنگام هوش مصنوعی، به مسئولان و جوامع محلی این فرصت را داد تا هشدارهای لازم را صادر کرده و آمادگی بیشتری برای مقابله با این فاجعه داشته باشند.

مایک برنان، مدیر مرکز ملی توفند آمریکا، در این باره می‌گوید: «حتی چند ساعت هم می‌تواند تفاوت ایجاد کند. سازماندهی تخلیه، انبار کردن لوازم و جابه‌جایی منابع برای پاسخ به خطر توفند، همگی کارهایی حساس به زمان هستند. توانایی افزایش دقت پیش‌بینی تا یک روز فراتر از آنچه قبلاً می‌توانستیم انجام دهیم، واقعاً ارزشمند است.»

مدل‌سازی رویدادهای شدید آب‌وهوایی برای هوش مصنوعی همیشه چالش‌برانگیز بوده است. الگوریتم‌های یادگیری ماشین برای پیش‌بینی‌های دقیق، به حجم عظیمی از داده‌های آموزشی نیاز دارند، اما رویدادهای شدید مانند توفندهای رده‌ی ۵، ذاتاً نادر هستند و داده‌های کافی از آنها در دسترس نیست.

فران آلِت، دانشمند تحقیقاتی در گوگل دپ‌مایند و یکی از نویسندگان اصلی مقاله، راه‌حل هوشمندانه‌ای برای این مشکل پیدا کرد. او می‌گوید: «ما داده‌های توفندی زیادی نداریم، اما داده‌های آب‌وهوایی معمولی زیادی داریم. بنابراین مدلی را آموزش دادیم که هم در پیش‌بینی آب‌وهوای معمولی و هم در پیش‌بینی توفندهای شدید عملکرد خوبی داشته باشد.»

پیش‌بینی توفندها به دلیل ماهیت چندمقیاسی آنها، دشوار است. کیت ماسگریو، رهبر گروه چرخندهای حاره‌ای در موسسه‌ی تحقیقات همکاری در جو و یکی از نویسندگان مقاله، توضیح می‌دهد که پیش‌بینی مسیر توفند به داده‌هایی در مقیاس جهانی نیاز دارد، اما پیش‌بینی شدت توفند به داده‌هایی در مقیاس بسیار محلی و با جزئیات بالا نیازمند است. مدل‌های قبلی هوش مصنوعی در پیش‌بینی مسیر توفند موفق بودند، اما در پیش‌بینی شدت آن عملکرد ضعیفی داشتند. WeatherNext اما این چالش را نیز پشت سر گذاشته است.

به نوشته ارزتکنیکا، قبل از استفاده‌ی عملیاتی، محققان مدل WeatherNext را روی داده‌های تاریخی آزمایش کردند. نتایج آنقدر خوب بود که خود تیم تحقیقاتی نیز به آن شک کردند. اما زمانی که مدل در پیش‌بینی‌های زنده و واقعی به کار گرفته شد، عملکرد چشمگیر خود را حفظ کرد.

نکته‌ی جالب‌تر اینکه محققان دپ‌مایند هنوز به طور کامل نمی‌دانند که مدل هوش مصنوعی چگونه با استفاده از داده‌های با وضوح پایین‌تر از مدل‌های سنتی، به چنین دقتی در پیش‌بینی شدت توفند دست می‌یابد. این مدل مانند جعبه‌ی سیاه عمل می‌کند؛ ورودی‌هایی دریافت می‌کند و خروجی‌های دقیقی تولید می‌کند، اما مکانیسم داخلی آن برای دانشمندان مبهم است.

مدل هوش مصنوعی به جای اینکه فقط یک پیش‌بینی انجام دهد، برای هر توفند هزاران سناریوی مختلف را شبیه‌سازی می‌کند. این کار به او اجازه می‌دهد تا احتمال «اثر پروانه‌ای» را هم در نظر بگیرد؛ یعنی این که یک تغییر بسیار کوچک در شرایط اولیه، می‌تواند در نهایت منجر به یک نتیجه‌ی کاملاً متفاوت و شاید فاجعه‌بار شود. چیزی که مدل‌های سنتی با قدرت محاسباتی فعلی خود، به هیچ وجه قادر به انجام آن نیستند.

مایک برنان تأکید می‌کند که مدل دپ‌مایند یک ابزار جدید و ارزشمند در جعبه‌ی ابزار پیش‌بینی‌کنندگان است، اما جایگزین قضاوت انسانی نمی‌شود. او می‌گوید: «هیچ تضمینی وجود ندارد که یک مدل، به دلیل اینکه سال گذشته خوب عمل کرده، لزوماً بهترین مدل برای فصل بعدی باشد. توفند فقط یک پیش‌بینی مسیر یا شدت نیست. برای ترجمه‌ی آن به تأثیرات واقعی که می‌توانند جان انسان‌ها را تهدید کنند، به متخصصان انسانی نیاز است.»

در اقدامی قابل‌توجه، گوگل دپ‌مایند مدل‌های WeatherNext را به صورت متن‌باز منتشر کرده است تا محققان سراسر جهان بتوانند از آن استفاده کرده و آن را بهبود بخشند. آلِت امیدوار است این اقدام، به کشف بینش‌های جدید در مورد نحوه‌ی عملکرد توفندها و همچنین افزایش دقت پیش‌بینی‌ها کمک کند.