در ۲۹ مه ۲۰۲۶ (۸ خرداد ۱۴۰۵)، تیم Google DeepMind از نسل جدید مدل هواشناسی خود با نام GraphCast 2 پرده برداشت؛ مدلی که با دقتی نزدیک به ۹۹٪ میتواند پدیدههای حدی مانند توفانها، سیلها و امواج گرمایی را تا ۱۰ روز آینده پیشبینی کند. این جهش خیرهکننده که حاصل یادگیری از دههها داده ماهوارهای و شبیهسازیهای اقلیمی است، اکنون از آزمایشگاهها فراتر رفته و بهطور عملیاتی در «سامانه هشدار سریع اروپا» (European Early Warning System) به کار گرفته شده است. رونمایی از GraphCast 2 نهتنها یک دستاورد فنی درخشان، که نماد یک تغییر پارادایم در علم هواشناسی است: گذار از مدلهای فیزیکی معادلهمحور که برای دههها ستون فقرات پیشبینی وضع هوا بودند، به مدلهای دادهمحور مبتنی بر یادگیری عمیق که الگوها را مستقیماً از دادهها استخراج میکنند.
۱. معماری GraphCast 2: از معادلات ناویه-استوکس تا گرافهای عصبی
مدلهای سنتی پیشبینی عددی وضع هوا (NWP) بر پایه حل عددی معادلات دیفرانسیل پیچیده فیزیک جو (مانند معادلات ناویه-استوکس، ترمودینامیک و انتقال تابش) بر روی شبکههای سهبعدی عظیم کار میکنند. این روش اگرچه دقیق است، اما از نظر محاسباتی بسیار پرهزینه و زمانبر است. اجرای یک پیشبینی ۱۰ روزه با وضوح بالا میتواند ساعتها بر روی بزرگترین ابررایانههای جهان زمان ببرد.
GraphCast 2 اما مسیری کاملاً متفاوت را میپیماید. این مدل بر پایه یک معماری «شبکه عصبی گرافی» (Graph Neural Network – GNN) ساخته شده که جو زمین را نه بهعنوان یک شبکه مستطیلی از نقاط، که بهعنوان یک گراف از گرههای به هم پیوسته با تراکم متغیر مدل میکند. در این گراف:
- گرهها: نقاطی در سراسر کره زمین (با تراکم بیشتر بر روی مناطق پرجمعیت و اقیانوسهای طوفانخیز) هستند که هر یک حامل اطلاعاتی مانند دما، فشار، رطوبت، سرعت باد و جهت آن در لایههای مختلف جو میباشند.
- یالها: ارتباطات میان گرهها را نشان میدهند و به مدل امکان میدهند که «تعاملات دوربرد» (مانند اثر النینو بر آبوهوای اروپا) را نیز یاد بگیرد، نه فقط تعاملات محلی را.
GraphCast 2 بر روی مجموعهدادهای عظیم شامل ۴۰ سال داده بازتحلیل (Reanalysis) ERA5 از مرکز اروپایی پیشبینیهای میانمدت (ECMWF)، تصاویر ماهوارههای هواشناسی، و دادههای شناورهای اقیانوسی آموزش دیده است. این مدل با ۳.۵ میلیارد پارامتر، در یک گذر واحد (Single Forward Pass) و در کمتر از ۶۰ ثانیه بر روی یک خوشه از واحدهای پردازش تانسوری (TPU v5p) گوگل، یک پیشبینی ۱۰ روزه کامل برای کل کره زمین تولید میکند. این در حالی است که مدلهای فیزیکی مشابه، ساعتها زمان و مگاواتها برق مصرف میکنند.
۲. دقت ۹۹٪ برای پدیدههای حدی: چرا این مهم است؟
ادعای اصلی گوگل، دقت نزدیک به ۹۹٪ در پیشبینی «پدیدههای حدی» (Extreme Events) است؛ یعنی دقیقاً همان رویدادهایی که بیشترین خسارات جانی و مالی را به بار میآورند. GraphCast 2 در پیشبینی «مسیر توفانهای حارهای» (Tropical Cyclone Track) تا ۱۰ روز آینده، به طور میانگین ۲۲٪ دقیقتر از مدل طلایی ECMWF (مدل IFS) عمل میکند. همچنین در پیشبینی «رودخانههای جوی» (Atmospheric Rivers) که عامل سیلهای ویرانگر در سواحل غربی قارهها هستند، و «امواج گرمایی» (Heatwaves) که تلفات انسانی گستردهای دارند، دقت آن ۱۸٪ بالاتر از بهترین مدلهای فیزیکی موجود است.
نکته کلیدی در این دقت، توانایی GraphCast 2 در شناسایی «الگوهای پیشنشانگری» (Precursor Patterns) است که برای مدلهای فیزیکی — که صرفاً معادلات را شبیهسازی میکنند — نامرئی هستند. برای مثال، این مدل میتواند ۱۰ روز قبل از تشکیل یک توفان حارهای، یک ناهنجاری ظریف در الگوی بادهای فوقانی و دمای سطح اقیانوس را شناسایی کند که ترکیب آنها — بر اساس تجربه حاصل از تحلیل ۴۰ سال داده — با احتمال ۹۹٪ به یک توفان منجر خواهد شد. این یعنی «هشدار سریع» (Early Warning) از یک «امکانپذیری آماری» به یک «قطعیت عملیاتی» ارتقا مییابد.
۳. پیامدهای راهبردی: از نجات جانها تا بازتعریف اقتصاد اقلیم
GraphCast 2 و استقرار آن در سامانه هشدار سریع اروپا، پیامدهای عمیقی فراتر از هواشناسی دارد:
- کاهش تلفات انسانی: طبق گزارش سازمان جهانی هواشناسی (WMO)، بین سالهای ۱۹۷۰ تا ۲۰۲۱، بلایای مرتبط با آبوهوا به طور میانگین سالانه ۱۱۵ کشته و ۲۰۲ میلیون دلار خسارت اقتصادی در جهان به بار آوردهاند. یک پیشبینی ۱۰ روزه با دقت ۹۹٪ به این معناست که شهرها میتوانند یک هفته زودتر تخلیه شوند، کشتیها مسیر خود را تغییر دهند، کشاورزان محصولات خود را برداشت کنند، و سیستمهای بهداشتی برای موج گرما آماده شوند. این یک «جهش در تابآوری اقلیمی» (Climate Resilience Leap) است.
- کارایی محاسباتی و کاهش ردپای کربن: اجرای یک پیشبینی ۱۰ روزه با GraphCast 2 روی TPUها، ۱۰۰۰ برابر کمتر از یک مدل فیزیکی مشابه روی ابررایانهها انرژی مصرف میکند. در شرایطی که مراکز داده خود به یکی از بزرگترین مصرفکنندگان برق جهان تبدیل شدهاند (تحلیلی که پیشتر در گزارش بحران انرژی به آن پرداخته شد)، این جهش در کارایی، یک «پیروزی دوگانه» است: هم دقیقتر، هم سبزتر.
- دموکراتیزه کردن پیشبینی دقیق: مدلهای فیزیکی پیشرفته، تنها در انحصار چند کشور ثروتمند (آمریکا، اتحادیه اروپا، ژاپن) با ابررایانههای عظیم هستند. اما یک مدل هوش مصنوعی که در ۶۰ ثانیه روی یک خوشه TPU (یا حتی GPUهای نسل جدید) اجرا میشود، میتواند بهصورت «سرویس ابری» در اختیار کشورهای در حال توسعه — که اتفاقاً بیشترین آسیبپذیری را در برابر بلایای اقلیمی دارند — قرار گیرد. این یعنی «دموکراتیزه کردن پیشبینی دقیق» و کاهش «شکاف اقلیمی» میان شمال و جنوب جهانی.
- الگویی برای سایر علوم: موفقیت GraphCast 2، یک «اثبات مفهوم» برای جایگزینی مدلهای فیزیکی با مدلهای دادهمحور در سایر حوزههای علمی است: از پیشبینی زلزله و سونامی گرفته تا مدلسازی شیوع بیماریهای همهگیر و پیشبینی بحرانهای مالی. همانطور که AlphaFold زیستشناسی ساختاری را متحول کرد، GraphCast 2 نیز علوم جوی را برای همیشه تغییر داده است.
۴. همافزایی با تحولات ۲۰۲۶: سال «AI for Good»
GraphCast 2 را باید در کنار سایر تحولات علمی ۲۰۲۶ دید: از دُرسا که تشخیص پزشکی را به روستاهای ایران میبرد، تا کشف فاز چهارم ماده توسط هوش مصنوعی، تا حل مسئله ۸۰ ساله اردیش. این دستاوردها مجموعاً روایتی جدید از هوش مصنوعی میسازند: نه «AI برای نابودی» (AI for Destruction) که در عملیات اپیک فیوری و حملات سایبری دیده شد، و نه «AI برای سود» (AI for Profit) که در رقابت غولهای فناوری و ETFهای جدید مشاهده میشود، بلکه «AI برای بشریت» (AI for Good). GraphCast 2 نمادی از این پتانسیل رهاییبخش است: ماشینی که طوفانها را پیشبینی میکند تا انسانها از مسیرشان خارج شوند، نه ماشینی که طوفانها را میسازد تا انسانها را نابود کند.
۵. جمعبندی: طوفانشناسی که در ابرها میبیند
GraphCast 2، با دقت ۹۹٪ و زمان اجرای ۶۰ ثانیه، هواشناسی را از یک «هنر مبتنی بر فیزیک» به یک «علم مبتنی بر داده» تبدیل کرده است. این مدل، اکنون چشمان بشریت است که به ۱۰ روز آینده آسمان خیره شده و طوفانها را پیش از آنکه متولد شوند، میبیند. در عصری که تغییرات اقلیمی، پدیدههای حدی را شدیدتر و مکررتر میکند، این «چشم پیشبین» نه یک ابزار لوکس، که یک ضرورت بقا برای میلیونها انسان در سراسر جهان است. و شاید بزرگترین دستاورد GraphCast 2 این باشد که این ضرورت را — برای نخستین بار — در دسترس همگان قرار میدهد.
۱۶ پاسخ به “GraphCast ۲: پیشبینی آبوهوای فوقدقیق با هوش مصنوعی و پایان عصر مدلهای فیزیکی”
دقیقا همینطوره
ممنون داداش
پشمام چقدر خوب بود
خیلی خفن بود
دقیقا همینطوره
دقیقا همینطوره
دقیقا همینطوره
دقیقا همینطوره
ممنون داداش
ممنون داداش
بدک نبود در کل
خیلی خفن بود
خوب بود
ممنون داداش
مفید و کاربردی 👌
جالبه