طوفان ایسایاس در فلوریدا؛ هوش مصنوعی گوگل دیپ‌مایند مدل‌های ECMWF و GFS را پشت سر گذاشت
سیلیکون‌ولی هیچ‌گاه نمی‌خوابد و میامی این موضوع را به‌خوبی احساس کرده است. مرکز ملی طوفان آمریکا (NHC) در این هفته تصمیمی گرفت که یک سال پیش احتمالاً نمی‌گرفت: این مرکز پیش‌بینی رسمی خود درباره طوفان ایسایاس را بر پایه راهنمایی هوش مصنوعی گوگل دیپ‌مایند تنظیم کرد و در لحظه‌ای تعیین‌کننده، پیش‌بینی‌های مدل‌های فیزیک‌محور اروپایی و آمریکایی را کنار گذاشت. نتیجه این تصمیم در ساعت ۹:۳۰ شب جمعه ۹ اکتبر ۲۰۲۶ به وقت محلی مشخص شد؛ زمانی که ایسایاس در نزدیکی دستین در پن‌هندل فلوریدا به‌عنوان یک طوفان رده ۲ با سرعت باد پایدار ۱۰۰ تا ۱۰۵ مایل بر ساعت به خشکی رسید. مسیر حرکت طوفان همان مسیری بود که مدل WeatherNext روزها قبل نشان داده بود؛ یعنی انحراف بیشتر به سمت شرق نسبت به مخروط پیش‌بینی‌شده توسط ECMWF و GFS. این جهش عملیاتی با رقابت چند ماه اخیر در حوزه هوش مصنوعی گوگل، از جمله آزمون‌های Gemini 4 Carbon و دیگر بخش‌های اکوسیستم هوش مصنوعی این شرکت، هم‌راستا است.
چه اتفاقی بین سه‌شنبه ۶ اکتبر و جمعه ۹ اکتبر رخ داد
داستان از سه‌شنبه ۶ اکتبر و نخستین اطلاعیه مرکز میامی آغاز می‌شود. در آن زمان ایسایاس هنوز نامی نداشت و تنها مجموعه‌ای نامنظم از رگبارها و توفان‌های تندری بر فراز خلیج مکزیک بود. با این حال، مرکز ملی طوفان آمریکا در نخستین بولتن عملیاتی خود برآوردی جسورانه ارائه کرد و شدت نهایی مورد انتظار پیش از برخورد با خشکی را رده ۲ اعلام کرد. این همان پیش‌بینی‌ای بود که WeatherNext ارائه می‌داد، نه مدل‌های ECMWF یا سامانه پیش‌بینی جهانی آمریکا (GFS) که طوفانی ضعیف‌تر و مسیری متمایل به غرب، به سمت می‌سی‌سی‌پی و لوئیزیانا، نشان می‌دادند.
در سه روز بعد، هم‌زمان با کاهش فشار و شکل‌گیری سامانه بر فراز آب‌های بی‌سابقه گرم خلیج مکزیک، مرکز میامی مسیر پیش‌بینی خود را حفظ کرد. وب‌سایت Yale Climate Connections روز پنجشنبه ۸ اکتبر نوشت که بیش از ۶۰ درصد از راه‌حل‌های مجموعه‌ای دیپ‌مایند، ایسایاس را در مسیر تبدیل شدن به یک طوفان بزرگ قرار داده بودند. در همان مرحله، ECMWF و GFS همچنان روی طوفانی ضعیف‌تر به دلیل برش باد و هوای خشک حساب می‌کردند. اختلاف تنها یک جزئیات فنی نبود؛ بلکه تفاوتی اساسی در رده طوفان و نقطه دقیق برخورد آن ایجاد می‌کرد.
ساعت ۱۰ شب جمعه، NHC ایسایاس را یک طوفان رده ۲ با بادهای ۱۰۰ مایل بر ساعت و حداقل فشار ۹۷۸ میلی‌بار اعلام کرد. یک ساعت بعد، طوفان به رده ۱ با سرعت باد ۹۰ مایل بر ساعت کاهش یافت و تا ساعت ۲ بامداد شنبه، سامانه به یک طوفان پس‌حاره‌ای تبدیل شده بود که با حرکت سریع به سمت آلاباما، احتمال سیلاب ناگهانی و رانش زمین در سراسر آپالاش جنوبی را به همراه داشت. مسیر واقعی حرکت طوفان همان مسیری بود که WeatherNext پیش‌بینی کرده بود.
WeatherNext چیست و چرا زودتر به نتیجه می‌رسد
WeatherNext همان Gemini که در مرورگر با آن گفت‌وگو می‌کنید نیست. این سامانه خانواده‌ای از مدل‌های یادگیری ماشین است که دیپ‌مایند آن‌ها را با استفاده از بازتحلیل‌های جوی جهانی آموزش می‌دهد و تمرکز ویژه‌ای بر طوفان‌های حاره‌ای دارد. نسخه‌ای که NHC در این فصل استفاده کرد، همان مدلی است که در مقاله WeatherNext Cyclones معرفی شده؛ مقاله‌ای که توسط گوگل دیپ‌مایند، NHC، دانشگاه ایالتی کلرادو، اداره هواشناسی بریتانیا و دانشگاه واترلو تهیه شد و در تاریخ ۶ اوت ۲۰۲۶ در نشریه Nature منتشر شد. گوگل در همان روز کد و وزن‌های مدل را در گیت‌هاب با مجوز Apache 2.0 منتشر کرد؛ این مدل‌ها شامل WeatherNext Cyclones، WeatherNext 2 و WeatherNext 2-mini هستند که نسخه آخر حتی روی یک دفترچه رایگان Google Colab اجرا می‌شود.
دستاوردی که برای NHC اهمیت دارد، همان چیزی است که مقاله اندازه‌گیری کرده است: پیش‌بینی سه‌روزه طوفان‌ها اکنون به دقتی رسیده که مدل‌های عددی سنتی پیش‌تر تنها در پیش‌بینی‌های دو روزه به آن دست پیدا می‌کردند. از نظر عملی، این یعنی ۲۴ ساعت زمان بیشتر برای تخلیه مناطق، توقف سکوهای دریایی و انتقال بیماران از بیمارستان‌های ساحلی. دیپ‌مایند می‌گوید این دستاورد معادل «حدود یک دهه پیشرفت هواشناسی در یک مدل واحد» است. این شرکت همچنین از مجموعه‌ای شامل حداکثر هزار سناریوی احتمالی خبر داده که با شبکه‌های مولد تابعی (FGN) تولید می‌شوند؛ روشی که به جای یک مسیر واحد، توزیع احتمالات مسیرها را ایجاد می‌کند و مخروط پیش‌بینی را تا ۱۵ روز گسترش می‌دهد.
عامل اصلی تفاوت در مورد ایسایاس، خود مجموعه پیش‌بینی‌ها بود. در حالی که یک مدل فیزیکی معمولاً تعداد محدودی مسیر تولید می‌کند و اختلاف‌ها میان اجراهای مختلف ظاهر می‌شوند، WeatherNext صدها مسیر را در یک اجرا ایجاد می‌کند. با نگاه به نمودار می‌توان دید احتمال وقوع در کدام ناحیه متمرکز است و کدام بخش‌ها صرفاً نویز هستند. در مورد ایسایاس، خوشه پیش‌بینی‌های دیپ‌مایند کاملاً مشخص بود: برخورد با پن‌هندل فلوریدا و افزایش شدت تا نزدیکی رده ۳. مرکز میامی این تمرکز احتمالات را مشاهده کرد و مخروط پیش‌بینی را بر همان اساس تغییر داد.
مایکل برنان، مدیر NHC: «مدل‌های هوش مصنوعی سازگاری بیشتری نشان دادند»
این نخستین بار نیست که NHC به WeatherNext اعتماد می‌کند. در فصل ۲۰۲۵، این مرکز نسخه اولیه مدل را برای طوفان ملیسا در جامائیکا نیز به کار برد؛ مدلی که افزایش سریع شدت طوفان و زمان رسیدن آن به خشکی را تقریباً سه روز زودتر شناسایی کرده بود. این تجربه باعث شد پیش‌بینی‌کنندگان استفاده از آن را در پنل عملیاتی ادامه دهند. مایکل برنان، مدیر NHC، در گفت‌وگویی با خبرنگار اندرو فریدمن که سی‌ان‌ان در ۸ اکتبر منتشر کرد، گفت: «مدل‌های هوش مصنوعی سازگاری بیشتری نشان دادند.» به گفته برنان، نکته اصلی این است که مدل‌ها «با دقیق‌ترین داده‌هایی که در اختیار داریم» آموزش دیده‌اند و مرکز ملی طوفان نیز داده‌های تاریخی اقلیمی طوفان‌های اقیانوس اطلس را برای تنظیم دقیق‌تر در اختیار دیپ‌مایند قرار داده است.
برایان نورکراس، هواشناس که فرود طوفان را به‌صورت زنده در Fox Weather دنبال کرد، نتیجه را در یک جمله خلاصه کرد: «در نهایت، پیش‌بینی هوش مصنوعی گوگل دیپ‌مایند بار دیگر بهترین بود.» نورکراس البته یک نکته مهم را نیز اضافه کرد: مدل‌های یادگیری ماشین به‌ویژه برای سامانه‌هایی که از قبل شکل گرفته‌اند و مرکز گردش مشخصی دارند عملکرد خوبی دارند؛ اما در مرحله اولیه شکل‌گیری، زمانی که تنها یک موج حاره‌ای وجود دارد، همچنان قابلیت اطمینان کمتری دارند.
مقایسه ECMWF، GFS و HWRF؛ اشتباه آن‌ها کجا بود
| مدل | مسیر | شدت پیش‌بینی‌شده |
|---|---|---|
| WeatherNext (دیپ‌مایند) | پن‌هندل فلوریدا (درست) | بیش از ۶۰ درصد اعضای مجموعه برای رده ۳ |
| ECMWF (اروپایی) | غرب می‌سی‌سی‌پی/لوئیزیانا | طوفان ضعیف‌تر |
| GFS (آمریکایی) | میان مسیر هوش مصنوعی و مدل اروپایی | طوفان ضعیف‌تر |
| HWRF/HAFS (وضوح بالا) | مشخص نشده | افزایش سریع شدت |
تصویری که Yale توصیف می‌کند، نمونه کلاسیک مشکلات سال‌های اخیر است، اما با یک تفاوت مهم. مدل‌های فیزیکی جهانی مانند ECMWF و GFS زمانی که مقیاس پدیده کوچک‌تر از تفکیک شبکه آن‌ها باشد و رطوبت خلیج مکزیک در شرایط شدید قرار گیرد، با مشکل مواجه می‌شوند. در چنین شرایطی، فیزیک پارامتری‌شده ممکن است همرفت عمیق را کمتر از واقعیت برآورد کند. مدل‌های دینامیکی با وضوح بالا مانند HWRF افزایش سریع شدت را بهتر تشخیص می‌دهند، اما ممکن است در جهت مخالف بیش‌برآورد کنند و مرکز میامی مجبور شود میان این نتایج تعادل ایجاد کند. WeatherNext با آموزش بر پایه دهه‌ها داده واقعی، از جمله نمونه‌هایی با خطاهای سیستماتیک مشابه، یاد گرفته است این خطاها را اصلاح کند.
با این حال، یک ضعف همچنان باقی است و خود پیش‌بینی‌کنندگان نیز به آن اشاره می‌کنند. هوش مصنوعی توضیح نمی‌دهد چرا پاسخ آن درست است؛ تنها یک عدد ارائه می‌کند، نه یک سازوکار فیزیکی. اگر ایسایاس رفتاری کاملاً بی‌سابقه و خارج از داده‌های آموزشی نشان می‌داد، WeatherNext ممکن بود به شکلی پنهان اشتباه کند. به همین دلیل NHC همیشه ترکیبی از هوش مصنوعی، مدل‌های عددی و قضاوت انسانی را به کار می‌گیرد. این مرکز در اطلاع‌رسانی عمومی خود تأکید کرده است: «این تصمیمی برای واگذاری پیش‌بینی به هوش مصنوعی نیست»؛ نکته‌ای که هنگام ادعاهایی مانند «هوش مصنوعی جای هواشناسان را گرفت» باید به یاد داشت.
تأثیر واقعی: زمان هشدار بیشتر یعنی نجات جان‌ها
هر کسی که در فلوریدا زندگی می‌کند می‌داند تفاوت میان پیش‌بینی یک طوفان رده ۱ به سمت لوئیزیانا و پیش‌بینی یک طوفان رده ۲ یا ۳ در دستین چیست. تخلیه‌های اجباری تغییر می‌کنند، توقف فعالیت سکوهای استخراج دریایی، برنامه‌های حفاظت شهری در شهرستان‌های پن‌هندل، انتقال دام‌ها در مزارع والتون و اوکالوسا، تصمیم گردشگران اواسط اکتبر برای ترک منطقه و برنامه‌های وزارت حمل‌ونقل برای بخش‌هایی از بزرگراه‌های I-10 و US-98 نیز تغییر می‌کنند. یک روز هشدار بیشتر می‌تواند ده‌ها هزار نفر را به‌موقع از منطقه خطر خارج کند و چند میلیارد دلار خسارت را کاهش دهد.
محاسبه هزینه و فایده این موضوع بهتر از هر بیانیه‌ای اهمیت آن را نشان می‌دهد. بر اساس برآوردهای NOAA درباره بلایای میلیارددلاری، یک طوفان بزرگ در خلیج مکزیک می‌تواند بین ۵۰ تا ۱۵۰ میلیارد دلار برای آمریکا هزینه داشته باشد. افزایش قابلیت اطمینان پیش‌بینی از دو روز به سه روز، اگر در فصل‌های آینده به استاندارد عملیاتی تبدیل شود، بخش قابل توجهی از این خسارت‌ها را کاهش می‌دهد.
چرا دیپ‌مایند مدل را متن‌باز کرده است
انتشار کد و وزن‌های مدل در گیت‌هاب هم دلیل فنی دارد و هم دلیل سیاسی. از نظر فنی، مراکز هواشناسی ملی و سازمان‌های حفاظت مدنی در کشورهای آسیب‌پذیر، از کارائیب تا جنوب شرق آسیا، می‌توانند بدون پرداخت هزینه مجوز از WeatherNext استفاده کنند و آن را روی سخت‌افزار خود اجرا کنند. نسخه کوچک این مدل حتی روی Colab رایگان اجرا می‌شود و به یک ابررایانه نیاز ندارد. از نظر سیاسی، متن‌باز کردن مدل این انتقاد را کاهش می‌دهد که گوگل قصد خصوصی‌سازی یک کالای عمومی مانند پیش‌بینی هوا را دارد.
با این حال، رقابت تجاری در بخش دیگری ادامه دارد: این مدل برای معامله‌گران انرژی و کالا نیز جذاب است؛ کسانی که حاضرند برای چند ساعت برتری در پیش‌بینی دما در اروپا یا بادهای دریای شمال هزینه زیادی بپردازند. گوگل زیرساخت ابری را برای خود نگه می‌دارد و شرکت‌ها می‌توانند مدل را در جریان‌های کاری خود به کار بگیرند.
انتظارها با پایان فصل ۲۰۲۶
احتمالاً ایسایاس آخرین طوفان بزرگ فصل ۲۰۲۶ اقیانوس اطلس است که رسماً در ۳۰ نوامبر پایان می‌یابد. در دو سال، اعتماد پیش‌بینی‌کنندگان میامی به WeatherNext از یک آزمایش جالب به یک ورودی تعیین‌کننده در لحظات مهم تبدیل شده است. گام بعدی که NHC بررسی می‌کند، پیش‌بینی افزایش سریع شدت طوفان‌هاست؛ موضوعی که همچنان نقطه ضعف همه مدل‌ها، از جمله مدل‌های هوش مصنوعی، محسوب می‌شود. با این حال، مسیر مشخص است و دلیلی برای انتظار عقب‌گرد وجود ندارد.
برای خوانندگان ایتالیا، پیامد این تحول غیرمستقیم اما واقعی است. رویکرد هوش مصنوعی در پیش‌بینی طوفان‌های حاره‌ای دیر یا زود می‌تواند برای مدیکن‌ها در دریای مدیترانه نیز به کار رود؛ طوفان‌های شبه‌حاره‌ای که هر سال میان سیسیل و یونان شکل می‌گیرند. حفاظت مدنی ایتالیا و ECMWF نیز روی مدل‌های هوش مصنوعی خود کار می‌کنند. برتری فعلی دیپ‌مایند در اختیار داشتن مقاله داوری‌شده، وزن‌های متن‌باز و یک نمونه عملیاتی واقعی است.
پرسش‌های متداول
۱. مرکز ملی طوفان آمریکا از کدام مدل هوش مصنوعی برای ایسایاس استفاده کرد؟
پاسخ کوتاه: این مدل WeatherNext دیپ‌مایند گوگل، در نسخه تخصصی WeatherNext Cyclones است که در مقاله منتشرشده در Nature در ۶ اوت ۲۰۲۶ معرفی شد. NHC پیش‌تر آن را برای طوفان ملیسا در جامائیکا در سال ۲۰۲۵ و سپس برای ایسایاس در فلوریدا در بازه ۶ تا ۹ اکتبر ۲۰۲۶ به کار برد.
۲. آیا WeatherNext رایگان است و می‌توان آن را دانلود کرد؟
بله. این مدل از ۶ اوت ۲۰۲۶ متن‌باز است. دیپ‌مایند کد و وزن‌های آن را در سه نسخه WeatherNext Cyclones، WeatherNext 2 و WeatherNext 2-mini با مجوز Apache 2.0 منتشر کرده است.
۳. WeatherNext چه مقدار زمان هشدار بیشتری نسبت به مدل‌های سنتی فراهم می‌کند؟
حدود ۲۴ ساعت. مقاله Nature نشان می‌دهد پیش‌بینی سه‌روزه WeatherNext Cyclones به دقتی می‌رسد که مدل‌های فیزیکی سنتی مانند ECMWF و GFS پیش‌تر در پیش‌بینی دو روزه داشتند.
۴. آیا هوش مصنوعی جای هواشناسان را گرفته است؟
خیر. NHC تأکید کرده است WeatherNext تنها یکی از ورودی‌های تصمیم‌گیری در کنار مدل‌های سنتی و قضاوت کارشناسان است.
۵. اگر WeatherNext درباره یک طوفان بی‌سابقه اشتباه کند چه می‌شود؟
این یکی از ریسک‌های شناخته‌شده مدل‌های یادگیری ماشین است. مدلی که بر اساس داده‌های تاریخی آموزش دیده، ممکن است در برابر رویدادهایی خارج از محدوده داده‌های آموزشی عملکرد ضعیف‌تری داشته باشد.
۶. پیش‌بینی‌های زنده WeatherNext را کجا می‌توان دید؟
در حال حاضر پورتال عمومی رسمی دیپ‌مایند برای طوفان‌های زنده وجود ندارد. پیش‌بینی‌های WeatherNext از طریق اطلاعیه‌های رسمی NHC در اختیار عموم قرار می‌گیرد.
جمع‌بندی
آنچه ایسایاس مشخص کرد. مرکز ملی طوفان آمریکا در ۶ اکتبر، سه روز پیش از برخورد طوفان با خشکی، بولتن عملیاتی خود را با پیش‌بینی WeatherNext دیپ‌مایند هماهنگ کرد. ECMWF و GFS طوفانی ضعیف‌تر به سمت می‌سی‌سی‌پی نشان می‌دادند، در حالی که مدل هوش مصنوعی مسیر پن‌هندل فلوریدا و شدت رده ۲ تا ۳ را پیش‌بینی کرده بود. ایسایاس در ۹ اکتبر ساعت ۹:۳۰ شب به وقت محلی در نزدیکی دستین به‌عنوان طوفان رده ۲ با بادهای ۱۰۰ مایل بر ساعت به خشکی رسید. مقاله WeatherNext Cyclones در Nature، انتشار متن‌باز وزن‌های مدل و تجربه طوفان ملیسا در سال ۲۰۲۵ نشان می‌دهد این روش دیگر صرفاً یک آزمایش آزمایشگاهی نیست، بلکه به ابزاری عملیاتی تبدیل شده است. یک روز هشدار بیشتر در برابر طوفان‌های بزرگ می‌تواند میلیاردها دلار خسارت را کاهش دهد و مهم‌تر از همه، جان انسان‌ها را نجات دهد.