هوش مصنوعی و آینده پیش‌بینی آب و هوا: تحول در دقت، سرعت و کاهش مخاطرات اقلیمی

در این گزارش خبری ویژه از کارینا وب، به بررسی ابعاد انقلاب هوش مصنوعی در علم هواشناسی می‌پردازیم. با توجه به افزایش فراوانی و شدت رویدادهای شدید آب و هوایی، که سازمان جهانی هواشناسی (WMO) زیان اقتصادی ۴.۳ تریلیون دلاری آن‌ها را بین سال‌های ۱۹۷۰ تا ۲۰۲۱ تأیید کرده است، اهمیت پیش‌بینی‌های دقیق و به‌موقع به بالاترین سطح خود رسیده است.

 مدل‌های نوین: سرعتی فراتر از محاسبات سنتی

گروه‌های تحقیقاتی و بخش خصوصی، هوش مصنوعی را به عنوان راهکار اصلی برای غلبه بر چالش‌های هزینه‌بر و کندی مدل‌های عددی قدیمی می‌شناسند:

• کارایی داده‌محور: سیستم‌هایی مانند Aardvark Weather (توسعه‌یافته در دانشگاه کمبریج) نشان داده‌اند که با کسری از داده‌های ورودی سامانه‌های سنتی، می‌توانند از نظر دقت از سیستم‌های ملی پیش‌بینی پیشی بگیرند. این امر منعطف بودن ابزارهای هوش مصنوعی را در ارائه پیش‌بینی‌های سفارشی برای صنایع مختلف تأیید می‌کند.
• پیش‌بینی کوتاه‌مدت (Nowcasting): هوش مصنوعی با تحلیل داده‌های راداری در زمان واقعی، توانایی بی‌نظیری در تشخیص و پیش‌بینی رخدادهای ناگهانی در ساعات پیش رو دارد که این امر نقش بسزایی در آمادگی برای مقابله با بلایای آنی ایفا می‌کند.

سرمایه‌گذاری استراتژیک غول‌های فناوری

رهبران صنعت فناوری با هدف ارائه راه‌حل‌های آب و هوایی سازمانی، مدل‌های هوش مصنوعی پیشرفته‌ای را معرفی کرده‌اند:

1. گوگل – WeatherNext: این مجموعه مدل‌های هوش مصنوعی از Google DeepMind، نه تنها سریع‌تر و کارآمدتر هستند، بلکه بنا به اظهارات گوگل، «اطمینان‌پذیری پیش‌بینی برتری» ارائه می‌دهند. این ابزار از طریق Google Cloud در اختیار صنایع مختلف، از مدیریت انرژی تا زنجیره تأمین خرده‌فروشی، قرار گرفته تا بتوانند به صورت پیشگیرانه برای شرایط آب و هوایی شدید برنامه‌ریزی کنند.
2. مایکروسافت – Aurora: یک مدل بنیادی (Foundation Model) با میلیاردها پارامتر که فراتر از آب و هوا عمل کرده و می‌تواند برای پیش‌بینی تخصصی رویدادهایی نظیر چرخندهای حارّه‌ای یا آلودگی هوا، با دقت بالاتر و هزینه کمتر نسبت به متدهای سنتی تنظیم شود.
3. انویدیا – Earth-2: این پلتفرم ابری مبتنی بر GPU برای ساخت دوقلوهای دیجیتال آب و هوا و اقلیم طراحی شده است. یکی از اجزای برجسته آن، مدل CorrDiff است که داده‌های جهانی را به راهنمایی‌های دقیق در مقیاس کیلومتری تبدیل می‌کند. انویدیا تأکید دارد که CorrDiff می‌تواند تا ۱۰۰۰ برابر سریع‌تر و ۳۰۰۰ برابر کم‌مصرف‌تر از روش‌های عددی سنتی باشد، که یک جهش عظیم در کارایی محسوب می‌شود.

نتیجه‌گیری: همانطور که پیش‌بینی آب و هوا در مقیاس طوفان به عنوان یک «چالش بزرگ» در هواشناسی عددی مطرح است، فناوری‌هایی نظیر Earth-2 و مدل‌های شرکت‌هایی چون مایکروسافت و گوگل اثبات می‌کنند که هوش مصنوعی نه تنها صرفاً یک ابزار، بلکه بنیان اساسی برای مدیریت اثرات زیست‌محیطی و اقتصادی ناشی از تغییرات اقلیمی در دهه‌های آینده خواهد بود.

منبع: AI Magazine