DeepMind تستهدف فجوة طويلة الأمد في التنبؤ بالأعاصير
قدّمت Google DeepMind نظام WeatherNext Cyclones، أو WN-C، وهو نظام ذكاء اصطناعي مصمم للتنبؤ بالأعاصير المدارية عبر توقع أين ستتجه العاصفة ومدى قوتها في آن واحد. وهذه الثنائية مهمة لأن التنبؤ التشغيلي كان منقسمًا منذ وقت طويل بين نقطتي قوة: بعض النماذج أفضل في مسارات العواصف، بينما بعضها الآخر أفضل في الشدة. ووفقًا للتقرير المقدم، فإن WN-C مُعدّ للتعامل مع المهمتين في نظام واحد، ومع الاختبار، يمدد مهارة التنبؤ المفيدة بنحو يوم مقارنة بالنهج التشغيلية الرائدة.
طُوّر النموذج بالتعاون مع المركز الوطني الأمريكي للأعاصير، ومعهد التعاون للبحوث في الغلاف الجوي، ومكتب الأرصاد الجوية البريطاني. كما كانت DeepMind تشغّل تنبؤات حية على Weather Lab التابع لـ Google منذ يونيو 2025، ما يشير إلى أن الشركة تطرح النظام ليس كمجرد عرض بحثي، بل كأداة أقرب إلى دعم القرار التشغيلي.
لماذا تظل شدة الأعاصير مشكلة صعبة
تحسن التنبؤ بالأعاصير المدارية تدريجيًا على مدى عقود، لكن ليس بشكل متساوٍ في كل المهام. فقد أصبح التنبؤ بمسار العاصفة عمومًا أكثر موثوقية من التنبؤ بالتغيرات السريعة في قوتها. ويصف المصدر المقدم ذلك بأنه مقايضة مدمجة في منظومة النماذج الحالية. فالأنظمة العالمية مثل مجموعة المركز الأوروبي للتنبؤات الجوية متوسطة المدى قوية في إرشاد المسار، لكن دقة شبكتها الخشنة تحد من قدرتها على تمثيل الشدة جيدًا. أما النماذج الإقليمية المتخصصة مثل نظام NOAA لتحليل وتوقعات الأعاصير فبوسعها تحسين تقديرات الشدة، لكنها قد تضحي بأداء المسار.
هذه المقايضة ليست أكاديمية. فمديرو الطوارئ وشركات التأمين والمرافق العامة ومشغلو الموانئ والمسؤولون المحليون غالبًا ما يحتاجون إلى الإجابتين معًا: هل ستضرب العاصفة المنطقة، وهل ستصل كإعصار معتدل أم كتهديد رئيسي يتصاعد بسرعة؟ وإذا استطاع نموذج واحد تحسين الأمرين داخل سير عمل واحد، فقد يبسّط عمليات التنبؤ ويقلل عدم اليقين خلال أهم فترات الاستعداد.
كيف تبدو المكاسب المبلغ عنها
وفقًا للمصدر المرشح، تفوق WN-C على الأنظمة المقارنة في مؤشرات المسار والشدة معًا. ففي تنبؤات الأيام الخمسة، أخطأ موقع مركز العاصفة بما متوسطه 230 كيلومترًا، مقابل 370 كيلومترًا لـ ENS التابع لـ ECMWF و335 كيلومترًا لنموذج GenCast الأقدم من DeepMind. وفي تنبؤات الشدة لثلاثة أيام، قيل إن WN-C كان أدق بـ 3.75 عقدة من HAFS.
ويذكر التقرير أيضًا أن النموذج ضاعف أداء ENS وGenCast في تنبؤات الشدة الاحتمالية عبر عدة آفاق زمنية. وهذا مهم بشكل خاص لعتبات قوة الأعاصير، حيث لا يسأل صناع القرار عن سرعة رياح متوقعة واحدة فحسب، بل عن احتمالات تجاوز العاصفة لمستويات الخطر الرئيسية. وفي هذا الإطار، يبدو أن WN-C يُطرح أقل كبديل لخط مسار حتمي واحد وأكثر كأداة للتخطيط القائم على المخاطر.
ومن الأمثلة التشغيلية التي أوردها المصدر إعصار Melissa في 2025. وقالت DeepMind إن النموذج ساعد المركز الوطني للأعاصير على رصد التعاظم السريع في الوقت المناسب. ويُعد التعاظم السريع أحد أصعب مشكلات التنبؤ وأهمها تشغيليًا، لأن العواصف التي تشتد بسرعة يمكن أن تتجاوز قرارات الإجلاء وجاهزية البنية التحتية.
بيانات أخشن، ومخرجات أقوى
من أكثر الادعاءات لفتًا للنظر في المصدر أن WN-C يعمل على بيانات أكثر خشونة بكثير من تلك المستخدمة في النماذج الإقليمية المتخصصة. وتبلغ دقة الشبكة المبلغ عنها نحو 28 كيلومترًا، وحتى النسخة المدمجة تعمل بدقة 111 كيلومترًا. ومع ذلك، تقول DeepMind إن النموذج ما يزال يتفوق على الأنظمة التي تعتمد على تفاصيل مكانية أدق بكثير.
ويترتب على ذلك احتمالان. الأول عملي: إذا كان النموذج يستخلص قيمة تنبؤية أكبر من مدخلات منخفضة الدقة، فقد يقلل التكاليف الحسابية ويوسع الوصول إلى تنبؤات عالية الجودة. والثاني علمي: يشير إلى أن أنظمة الذكاء الاصطناعي قد تتعلم أنماط تطور العواصف من سياقات جوية واسعة بطرق لا تتطابق بسهولة مع التوقعات التقليدية بشأن الدقة والجودة التنبؤية.
ويشير المصدر إلى أن مطوري DeepMind أنفسهم لا يفسرون بالكامل سبب هذا الأداء العالي. وهذه ملاحظة مهمة. فنتائج الاختبار القوية قد تظل معها أسئلة مفتوحة حول المتانة وحالات الحافة وأنماط الفشل وقابلية التفسير. وفي التنبؤ الجوي عالي المخاطر، تكاد هذه الأسئلة تساوي أهمية الدقة الخام.
لماذا يهم هذا الإصدار أبعد من نموذج واحد
تكمن الأهمية الأوسع لـ WN-C في أنه يعكس تحولًا في كيفية دخول الذكاء الاصطناعي إلى العلوم التشغيلية. فهذه ليست مجرد طبقة شبيهة بالشات بوت فوق بيانات الطقس، بل نظام تنبؤ متخصص بالمجال يستهدف مشكلة يمكن أن يترجم فيها الأداء الأفضل مباشرةً إلى إنذارات أبكر، وإجلاءات أكثر استهدافًا، وحماية أفضل للبنية التحتية للطاقة والنقل والاتصالات.
ويعرض المصدر مكسب الأداء على أنه يعادل تقريبًا عقدًا من التقدم في التنبؤ الجوي التقليدي. وحتى إذا اتضح أن هذه المقارنة متفائلة أكثر من اللازم في الاستخدام الواقعي الأوسع، فالإشارة واضحة: نماذج الطقس بالذكاء الاصطناعي تنتقل من ملحقات تجريبية إلى أنظمة قد تؤثر في الممارسة التنبؤية الميدانية.
هذا لا يعني اختفاء النماذج التقليدية. فالتنبؤ التشغيلي يبنى عادة على التجميعات والتحقق المتبادل والخبرة البشرية، لا على فائز واحد. لكن WN-C يضغط على المجال عبر إظهار أن أنظمة الذكاء الاصطناعي لم تعد محصورة في مجالات تنبؤ ضيقة. وإذا استطاعت تحسين المسار والشدة معًا، فقد يبدأ أحد أكثر التنازلات التشغيلية ثباتًا في التنبؤ بالأعاصير بالانكماش.
ما الذي يجب مراقبته لاحقًا
السؤال التالي هو ما إذا كانت مكاسب الاختبارات المنشورة ستصمد عبر مواسم العواصف المقبلة وأحواض المحيط المختلفة والأحداث النادرة ذات الحالات الحدية. وسيرغب المتنبئون أيضًا في معرفة كيف يتصرف النموذج عندما تخرج الظروف الجوية عن تاريخ تدريبه، وما إذا كان يمكن دمجه بسلاسة في مسارات التحذير والإرشاد القائمة.
حتى الآن، يبدو WeatherNext Cyclones خطوة مهمة في تطبيقات الذكاء الاصطناعي لمخاطر الطقس. وأهم ادعاء ليس ببساطة أنه أفضل من أنظمة الذكاء الاصطناعي السابقة، بل إنه قد يحسن أداء النماذج التشغيلية المتخصصة والعالمية في الوقت نفسه، في المجال الذي يمكن أن تحمل فيه أخطاء التنبؤ أعلى كلفة بشرية واقتصادية.
هذه المقالة مبنية على تقرير The Decoder. اقرأ المقال الأصلي.
Originally published on the-decoder.com