GenCast: تنبؤات الذكاء الاصطناعي التي تتفوق على الأرصاد الجوية 🌍✨

GenCast، وهو نموذج الذكاء الاصطناعي الجديد من Google DeepMind، دقيق بما يكفي للتنافس مع الأرصاد الجوية التقليدية. وفي الاختبارات التي أجريت باستخدام بيانات عام 2019، تفوقت على نموذج التنبؤ الرائد، وفقًا لبحث نُشر مؤخرًا. 🌦️✨

لن تحل الذكاء الاصطناعي محل الأرصاد الجوية التقليدية في أي وقت قريب، ولكنها يمكن أن تضيف أدوات قيمة للتنبؤ بالطقس وتنبيه الجمهور بشأن العواصف الشديدة. GenCast هي واحدة من العديد من نماذج الذكاء الاصطناعي قيد التطوير مما قد يؤدي إلى توقعات أكثر دقة. 🤖⛈️

"يؤثر المناخ على كل جانب من جوانب حياتنا تقريبًا... وهو أيضًا أحد أكبر التحديات التي تواجهنا." التحديات العلمية يقول إيلان برايس، وهو عالم كبير في شركة ديب مايند: "نتوقع ذلك". "جوجل ديب مايند في مهمة تطوير الذكاء الاصطناعي لصالح من الإنسانية. وأعتقد أن هذه طريقة مهمة، ومساهمة أساسية بهذا المعنى". 🌈📊

أجرى برايس وفريقه اختبارات باستخدام GenCast ضد نظام ENS، وهو أحد أكثر نماذج التنبؤ تقدمًا في العالم، والذي تديره المركز الأوروبي للتنبؤات الجوية متوسطة المدى (المركز الأوروبي للتنبؤات الجوية متوسطة المدى). وفقًا للبحث، تفوقت GenCast على ENS 97.2% في ذلك الوقت. نُشر هذا الأسبوع في المجلة طبيعة. 📈🧐

GenCast هو نموذج للتنبؤ بالطقس يعتمد على التعلم الآلي ويتم تدريبه على بيانات المناخ من عام 1979 إلى عام 2018. يتعلم هذا النموذج كيفية التعرف على الأنماط في أربعة عقود من البيانات التاريخية ويستخدم هذه المعلومات للتنبؤ بما قد يحدث في المستقبل. وهذا يختلف كثيرًا عن كيفية عمل النماذج التقليدية مثل ENS، والتي لا تزال تعتمد على أجهزة الكمبيوتر العملاقة لحل المعادلات المعقدة ومحاكاة فيزياء الغلاف الجوي. تنتج كل من GenCast وENS التوقعات ككل، والتي تقدم مجموعة متنوعة من السيناريوهات المحتملة. 🌌🌪️

على سبيل المثال، من خلال التنبؤ بمسار الإعصار الاستوائي، يمكن لـ GenCast توفير متوسط 12 ساعة من التحذير المسبق. تتمتع GenCast عمومًا بقدرة أفضل على التنبؤ بمسارات الأعاصير، وأحداث الطقس المتطرفة، وإنتاج طاقة الرياح لمدة تصل إلى 15 يومًا مقدمًا. 🌪️⏳

أحد التحذيرات هو أن GenCast تم اختباره مقابل إصدار أقدم من ENS، والذي يعمل الآن في دقة أعلى. يقوم البحث الذي تمت مراجعته من قبل النظراء بمقارنة توقعات GenCast مع توقعات ENS لعام 2019، وتحليل مدى تطابق كل نموذج مع الظروف الفعلية في ذلك العام. وفقًا لمنسق التعلم الآلي في المركز الأوروبي للتنبؤات الجوية متوسطة المدى مات تشانتري، فقد تحسن نظام ENS بشكل كبير منذ عام 2019، مما يجعل من الصعب تقييم كيفية مقارنة GenCast بنظام ENS اليوم. 🔍📉

ومن الواضح أن الدقة ليست العامل الوحيد المهم في التوصل إلى توقعات قوية. كانت ENS تعمل بالفعل بدقة أعلى قليلاً من GenCast في عام 2019، ومع ذلك تمكنت GenCast من تجاوزها. تزعم شركة DeepMind أنها أجرت دراسات مماثلة ببيانات من عام 2020 إلى عام 2022 وتوصلت إلى نتائج مماثلة، على الرغم من أن هذه الدراسات لم تتم مراجعتها من قبل الأقران. ومع ذلك، لم تكن هناك بيانات للمقارنة لعام 2023، عندما بدأ نظام ENS العمل بدقة أعلى بكثير. 📊📈

يقوم GenCast بتقسيم العالم إلى شبكة، ويعمل بدقة 0.25 درجة، مما يعني أن كل مربع في هذه الشبكة يقيس ربع درجة من خط العرض في ربع درجة من خط الطول. وبالمقارنة، استخدمت ENS دقة 0.2 درجة في عام 2019 وهي الآن عند 0.1 درجة. 🌍🗺️

ومع ذلك، قال شانتري في بيان أرسل عبر البريد الإلكتروني إن تطوير GenCast "يمثل علامة فارقة مهمة في تطور التنبؤ بالطقس". إلى جانب ENS، يقوم المركز الأوروبي للتنبؤات الجوية متوسطة المدى أيضًا بتشغيل نسخته الخاصة من نظام التعلم الآلي. علق شانتري قائلاً إنه "يستمد بعض الإلهام من GenCast". 🌟🤓

السرعة هي ميزة لـ GenCast. بإمكانك إنشاء توقعات لمدة 15 يومًا في ثماني دقائق فقط باستخدام Google Cloud TPU v5. قد تستغرق النماذج المعتمدة على الفيزياء مثل ENS عدة ساعات للقيام بنفس الشيء. يتجاهل GenCast جميع المعادلات التي يتعين على ENS حلها، وهو ما يفسر سبب احتياجه إلى وقت أقل وقوة حوسبة أقل لإنتاج توقعات. ⚡️💻

"من الناحية الحسابية، فهي أكثر تكلفة بكثير إجراء توقعات تقليدية ضد نموذج مثل GenCast، كما يقول برايس. 💰📉

يمكن أن تساعد هذه الكفاءة في تخفيف بعض المخاوف بشأن التأثير البيئي لمراكز بيانات الذكاء الاصطناعي، والتي ساهمت بالفعل في زيادة انبعاثات الغازات المسببة للاحتباس الحراري من قبل شركة جوجل في السنوات الأخيرة. ومع ذلك، من الصعب تقييم كيفية مقارنة GenCast بالنماذج القائمة على الفيزياء من حيث الاستدامة دون معرفة مقدار الطاقة المستخدمة لتدريب نموذج التعلم الآلي. 🏭♻️

لا تزال هناك تحسينات يمكن لـ GenCast إجراؤها، بما في ذلك القدرة على التوسع إلى دقة أعلى. بالإضافة إلى ذلك، تصدر GenCast تنبؤات على فترات زمنية مدتها 12 ساعة مقارنة بالنماذج التقليدية، والتي تصدر عادةً تنبؤات على فترات زمنية أقصر. يمكن أن يؤثر هذا على كيفية استخدام هذه التوقعات في العالم الحقيقي (على سبيل المثال، لتقييم مقدار طاقة الرياح المتاحة) 🌪️⚡️.

يقول ستيفن مولينز، الأستاذ المساعد في علم الأرصاد الجوية بجامعة فلوريدا، والذي لم يشارك في أبحاث GenCast: "تريد أن تعرف كيف ستتصرف الرياح طوال اليوم، وليس فقط في الساعة 6 صباحًا و6 مساءً". 🌞🌬️

في حين أن هناك اهتمامًا متزايدًا بكيفية استخدام الذكاء الاصطناعي لتحسين التنبؤ، إلا أنه لم يثبت فعاليته بعد. قال مولينز: "الناس يتابعون الأمر. لا أعتقد أن مجتمع الأرصاد الجوية بأكمله مقتنع بذلك". نحن علماء مُدرَّبون نُفكِّر من منظور الفيزياء... ولأن الذكاء الاصطناعي ليس فيزياءً بالأساس، لا يزال هناك جانبٌ نتساءل فيه: "هل هذا جيد؟ ولماذا؟" 🤷‍♂️⚖️

يمكن للمتنبئين تجربة GenCast بأنفسهم؛ نشرت شركة DeepMind شفرة من نموذجها مفتوح المصدر. يقول برايس إنه يرى جينكاست وآخرين نماذج الذكاء الاصطناعي المحسنة يتم استخدامها في العالم الحقيقي جنبًا إلى جنب مع النماذج التقليدية. ويقول برايس: "بمجرد أن تصبح هذه النماذج في أيدي المحترفين، يتم بناء المزيد من الثقة والاطمئنان". "نريد حقًا أن يكون لهذا تأثير اجتماعي واسع النطاق." 🌍💡