GenCast: อนาคตของสภาพภูมิอากาศมาถึงแล้ว!
GenCast ซึ่งเป็นโมเดล AI ใหม่จาก Google DeepMind มีความแม่นยำเพียงพอที่จะแข่งขันกับอุตุนิยมวิทยาแบบดั้งเดิมได้ จากการทดสอบโดยใช้ข้อมูลปี 2019 พบว่ามีประสิทธิภาพดีกว่าโมเดลการพยากรณ์ชั้นนำ ตามการวิจัยที่ตีพิมพ์เมื่อเร็วๆ นี้
AI อาจจะยังไม่สามารถมาแทนที่อุตุนิยมวิทยาแบบดั้งเดิมในเร็วๆ นี้ แต่สามารถเพิ่มเครื่องมือที่มีค่าในการพยากรณ์อากาศและแจ้งเตือนประชาชนเกี่ยวกับพายุรุนแรงได้ GenCast เป็นหนึ่งในหลาย ๆ โมเดล AI ที่กำลังอยู่ระหว่างการพัฒนา ซึ่งอาจนำไปสู่การพยากรณ์ที่แม่นยำยิ่งขึ้น
GenCast เป็นหนึ่งในโมเดลพยากรณ์อากาศที่ใช้ AI ที่สามารถให้การพยากรณ์อากาศที่แม่นยำยิ่งขึ้น 🌍💡
“สภาพอากาศส่งผลกระทบต่อแทบทุกด้านของชีวิตเรา… และยังเป็นหนึ่งในปัจจัยที่สำคัญที่สุดอีกด้วย ความท้าทายทางวิทยาศาสตร์ “ทำนายได้เลย” Ilan Price นักวิทยาศาสตร์อาวุโสของ DeepMind กล่าว “Google DeepMind มีภารกิจที่จะ การพัฒนา AI เพื่อประโยชน์ ของมนุษยชาติ ผมคิดว่านี่เป็นหนทางที่สำคัญ ถือเป็นส่วนสนับสนุนที่สำคัญในแง่นั้น”
Price และทีมงานของเขาได้ทำการทดสอบกับ GenCast กับระบบ ENS ซึ่งเป็นหนึ่งในแบบจำลองการพยากรณ์อากาศที่ก้าวหน้าที่สุดในโลก ซึ่งบริหารจัดการโดยศูนย์พยากรณ์อากาศระยะกลางแห่งยุโรป (อีซีเอ็มดับบลิวเอฟ- ตามการวิจัยพบว่า GenCast มีประสิทธิภาพเหนือกว่า ENS 97.2% ตีพิมพ์ในนิตยสารสัปดาห์นี้ ธรรมชาติ-
GenCast เป็นโมเดลการพยากรณ์อากาศที่อาศัยการเรียนรู้ของเครื่องจักร ซึ่งได้รับการฝึกฝนจากข้อมูลภูมิอากาศตั้งแต่ปี 1979 ถึงปี 2018 โมเดลนี้เรียนรู้ที่จะจดจำรูปแบบในข้อมูลประวัติศาสตร์สี่ทศวรรษ และใช้ข้อมูลนั้นเพื่อทำนายสิ่งที่อาจเกิดขึ้นในอนาคต สิ่งนี้แตกต่างอย่างมากจากวิธีการทำงานของโมเดลดั้งเดิมเช่น ENS ซึ่งยังคงอาศัยซูเปอร์คอมพิวเตอร์ในการแก้สมการที่ซับซ้อนและจำลองฟิสิกส์ของบรรยากาศ ทั้ง GenCast และ ENS ผลิต การคาดการณ์โดยรวมซึ่งเสนอสถานการณ์ที่เป็นไปได้หลากหลาย
ตัวอย่างเช่น GenCast สามารถแจ้งเตือนล่วงหน้าได้เฉลี่ย 12 ชั่วโมง โดยการคาดการณ์เส้นทางของพายุหมุนเขตร้อน โดยทั่วไปแล้ว GenCast จะดีกว่าในการคาดการณ์เส้นทางพายุไซโคลน เหตุการณ์สภาพอากาศที่รุนแรง และการผลิตพลังงานลมล่วงหน้าได้ถึง 15 วัน
การพยากรณ์แบบรวมกลุ่ม GenCast แสดงให้เห็นแนวพายุที่เป็นไปได้ของพายุไต้ฝุ่นฮากีบิส ซึ่งจะแม่นยำยิ่งขึ้นเมื่อพายุไซโคลนเข้าใกล้ชายฝั่งของญี่ปุ่น
ภาพ: Google
ข้อควรระวังประการหนึ่งคือ GenCast ได้รับการทดสอบกับ ENS รุ่นเก่า ซึ่งปัจจุบันทำงานที่ ความละเอียดที่สูงขึ้น- งานวิจัยที่ได้รับการตรวจสอบโดยผู้เชี่ยวชาญเปรียบเทียบคำทำนายของ GenCast กับคำทำนายของ ENS สำหรับปี 2019 โดยวิเคราะห์ว่าแต่ละโมเดลตรงกับเงื่อนไขจริงในปีนั้นมากเพียงใด ตามที่ Matt Chantry ผู้ประสานงานการเรียนรู้ของเครื่อง ECMWF กล่าว ระบบ ENS ได้รับการปรับปรุงอย่างมีนัยสำคัญตั้งแต่ปี 2019 ทำให้ยากที่จะประเมินว่า GenCast จะเปรียบเทียบกับ ENS ในปัจจุบันได้อย่างไร
เห็นได้ชัดว่าการตัดสินใจไม่ใช่ปัจจัยสำคัญเพียงอย่างเดียวในการคาดการณ์ที่ชัดเจน ในปี 2019 ENS ทำงานที่ความละเอียดสูงกว่า GenCast เล็กน้อย แต่ GenCast ก็ยังสามารถแซงหน้าได้ DeepMind อ้างว่าได้ทำการศึกษาที่คล้ายกันโดยใช้ข้อมูลตั้งแต่ปี 2020 ถึง 2022 และพบผลลัพธ์ที่คล้ายคลึงกัน แม้ว่าจะยังไม่ได้รับการตรวจสอบโดยผู้เชี่ยวชาญก็ตาม อย่างไรก็ตามไม่มีข้อมูลที่จะเปรียบเทียบสำหรับปี 2023 เมื่อ ENS เริ่มดำเนินการด้วยความละเอียดสูงขึ้นอย่างมีนัยสำคัญ
GenCast แบ่งโลกออกเป็นตาราง โดยทำงานที่ความละเอียด 0.25 องศา ซึ่งหมายความว่าแต่ละตารางในตารางนั้นจะวัดละติจูดหนึ่งในสี่องศาคูณลองจิจูดหนึ่งในสี่องศา เมื่อเปรียบเทียบแล้ว ENS ใช้ความละเอียด 0.2 องศาในปี 2019 และปัจจุบันอยู่ที่ 0.1 องศา
อย่างไรก็ตาม การพัฒนา GenCast ถือเป็น "ก้าวสำคัญในการพัฒนาการพยากรณ์อากาศ" Chantry กล่าวในแถลงการณ์ทางอีเมล นอกจาก ENS แล้ว ECMWF ยังรันเวอร์ชันของตัวเองอีกด้วย ระบบการเรียนรู้ของเครื่องจักร- Chantry ให้ความเห็นว่าเขา "ได้รับแรงบันดาลใจบางส่วนจาก GenCast"
ความเร็วเป็นข้อได้เปรียบของ GenCast คุณสามารถสร้างพยากรณ์อากาศ 15 วันได้ในเวลาเพียง 8 นาทีโดยใช้ Google Cloud TPU v5 ตัวเดียว แบบจำลองตามฟิสิกส์เช่น ENS อาจต้องใช้เวลาหลายชั่วโมงจึงจะทำสิ่งเดียวกันได้ GenCast ละเว้นสมการทั้งหมดที่ ENS ต้องแก้ ซึ่งอธิบายได้ว่าเหตุใดจึงใช้เวลาน้อยลงและพลังในการประมวลผลเพื่อสร้างการคาดการณ์
“ในแง่ของการคำนวณ มันมีราคาแพงกว่ามาก เรียกใช้การพยากรณ์แบบดั้งเดิมกับแบบจำลอง เช่นเดียวกับ GenCast” Price กล่าว 💰📉
ประสิทธิภาพดังกล่าวอาจช่วยบรรเทาความกังวลบางประการเกี่ยวกับผลกระทบต่อสิ่งแวดล้อมของศูนย์ข้อมูล AI ซึ่งส่งผลให้ Google ปล่อยก๊าซเรือนกระจกเพิ่มมากขึ้นในช่วงไม่กี่ปีที่ผ่านมา อย่างไรก็ตาม เป็นเรื่องยากที่จะประเมินว่า GenCast เปรียบเทียบกับโมเดลที่อิงตามฟิสิกส์ได้อย่างไรในแง่ของความยั่งยืนโดยไม่ทราบว่าใช้พลังงานเท่าใดในการฝึกโมเดลการเรียนรู้ของเครื่อง
GenCast ยังสามารถปรับปรุงอะไรได้อีก เช่น ความสามารถในการปรับขนาดให้มีความละเอียดสูงขึ้น นอกจากนี้ GenCast ยังออกคำทำนายทุกๆ 12 ชั่วโมงเมื่อเทียบกับรุ่นดั้งเดิมซึ่งโดยทั่วไปจะออกคำทำนายในช่วงเวลาที่สั้นกว่า สิ่งนี้สามารถส่งผลต่อวิธีการใช้การพยากรณ์เหล่านี้ในโลกแห่งความเป็นจริงได้ (เช่น เพื่อประเมินว่าจะมีพลังงานลมให้ใช้ได้มากเพียงใด) 🌪️⚡️
“เราถามตัวเองว่านี่ดีไหม และทำไม?”
“คุณอยากรู้ว่าลมจะมีลักษณะอย่างไรตลอดทั้งวัน ไม่ใช่แค่เวลา 6.00 น. และ 18.00 น. เท่านั้น” สตีเฟน มัลเลนส์ ผู้ช่วยศาสตราจารย์ด้านอุตุนิยมวิทยาที่มหาวิทยาลัยฟลอริดา ผู้ไม่ได้มีส่วนเกี่ยวข้องกับงานวิจัย GenCast กล่าว
แม้ว่าจะมีความสนใจเพิ่มขึ้นในการใช้ AI เพื่อปรับปรุงการคาดการณ์ แต่ยังต้องพิสูจน์ถึงประสิทธิภาพของ AI “ผู้คนต่างก็มองดูมัน ฉันไม่คิดว่าชุมชนอุตุนิยมวิทยาทั้งหมดจะเชื่อเรื่องนั้น” มัลเลนส์กล่าว “พวกเราเป็นนักวิทยาศาสตร์ที่ได้รับการฝึกฝนมาซึ่งคิดตามหลักฟิสิกส์… และเนื่องจาก AI ไม่ได้เกี่ยวข้องกับฟิสิกส์โดยพื้นฐาน จึงยังคงมีองค์ประกอบบางอย่างที่เราต้องถามว่า 'สิ่งนี้ดีหรือไม่ และทำไม'” 🤷♂️⚖️
นักพยากรณ์สามารถลองใช้ GenCast ด้วยตัวเองได้ DeepMind เผยแพร่ รหัส จากโมเดลโอเพนซอร์ส ไพรซ์บอกว่าเขาเห็น GenCast และอื่นๆ ปรับปรุงโมเดล AI ให้ดีขึ้น ถูกนำมาใช้ในโลกแห่งความเป็นจริงควบคู่ไปกับโมเดลดั้งเดิม “เมื่อโมเดลเหล่านี้อยู่ในมือของมืออาชีพแล้ว ความไว้วางใจและความมั่นใจก็จะเพิ่มขึ้น” Price กล่าว “เราต้องการให้สิ่งนี้ส่งผลกระทบทางสังคมในวงกว้าง”
