هوش مصنوعی گوگل پیش‌بینی مسیر ایسایاس را درهم شکست، اما یک جزئیات مهم را از دست داد
طوفان
هوش مصنوعی گوگل مسیر طوفان ایسایاس را بهتر از همه پیش‌بینی کرد، اما در جزئیاتی مهم ناکام ماند
طوفان ایسایاس نشان داد چرا هوش مصنوعی به یکی از نخستین ابزارهای پیش‌بینی هواشناسان تبدیل می‌شود، اما همچنین نشان داد چرا نقش انسان همچنان ضروری است.
پیش‌بینی هوش مصنوعی دیپ‌مایند گوگل از مسیر حرکت طوفان ایسایاس، پیش‌بینی تمام مدل‌های دیگر هواشناسی را پشت سر گذاشت و بار دیگر برتری یادگیری ماشین در برخی زمینه‌ها نسبت به مدل‌های مبتنی بر فیزیک را نشان داد.
با این حال، در بخش دیگری از پیش‌بینی یعنی تعیین شدت چرخه حاره‌ای، نقطه ضعفی در عملکرد هوش مصنوعی دیده شد. دیپ‌مایند در پیش‌بینی قدرت طوفان هنگام رسیدن به خشکی اشتباه کرد، هرچند در مراحل ابتدایی پیش‌بینی، شدت طوفان را به‌درستی تخمین زده بود؛ موضوعی که ابتدا هواشناسان را متعجب کرد.
بر اساس داده‌های تحلیل‌شده توسط جف براردلی، هواشناس ارشد و متخصص اقلیم در شبکه WFLA در منطقه تامپا بی، دیپ‌مایند در ۷۲ ساعت پایانی پیش از آنکه ایسایاس در ۹ اکتبر با بادهایی به سرعت ۱۰۵ مایل بر ساعت و به‌عنوان طوفان رده ۲ به دستین برسد، تنها ۱۹ مایل خطا داشت.
مدل هوش مصنوعی اروپا در رتبه دوم قرار گرفت و خطای آن ۳۶ مایل بود. مدل آمریکایی GFS نیز با خطای ۱۱۹ مایل در رتبه سوم قرار گرفت.
در حالی که مدل هوش مصنوعی اروپایی در ساعات پیش از رسیدن طوفان به خشکی، مسیر را به سمت پنساکولا نشان می‌داد، دیپ‌مایند نقطه‌ای میان پنساکولا و دستین را پیش‌بینی کرده بود؛ منطقه‌ای که به محل واقعی برخورد طوفان نزدیک‌تر بود.
«در مورد مسیر حرکت، کاملاً درست بود. مدل هوش مصنوعی اروپا هم همین‌طور. آن‌ها برای چند روز نشان می‌دادند که مسیر طوفان به سمت شرق متمایل می‌شود و دقیقاً همان اتفاق افتاد. هر دو مدل، مسیر و زمان‌بندی را به‌درستی پیش‌بینی کردند»، براردلی گفت.
مرکز ملی طوفان آمریکا از ژوئن ۲۰۲۵ استفاده عملیاتی از مدل‌های هوش مصنوعی، از جمله گوگل دیپ‌مایند، را آغاز کرد؛ هرچند پیش از آن نیز به‌صورت داخلی از این مدل‌ها استفاده می‌کرد. تا پایان فصل طوفان‌های ۲۰۲۵ که شاهد سه طوفان رده ۵ بود، هواشناسان توانایی دیپ‌مایند را بسیار چشمگیر ارزیابی کردند.
جیمز فرانکلین، رئیس پیشین واحد تخصصی مرکز ملی طوفان آمریکا، گفت: «از نظر صرفاً پیش‌بینی، در طول دوران کاری‌ام مدلی را به یاد ندارم که با چنین فاصله‌ای و به این سرعت به صدر جدول رسیده باشد.»
مدل هوش مصنوعی چه تفاوتی با روش‌های سنتی پیش‌بینی دارد؟
مدل‌های سنتی هواشناسی که بر پایه فیزیک کار می‌کنند، از مجموعه‌ای از معادلات پیچیده برای شبیه‌سازی وضعیت فعلی جو استفاده می‌کنند. این مدل‌ها پس از دریافت اطلاعات از منابع مختلف، از بالن‌های هواشناسی قدیمی تا ماهواره‌های پیشرفته، وضعیت آینده هوا را محاسبه می‌کنند.
این معادلات با بررسی عواملی مانند دما، میزان رطوبت و سرعت باد بارها اجرا می‌شوند و در نهایت راه‌حلی برای پیش‌بینی شرایط آینده ارائه می‌کنند.
این مدل‌ها یاد نمی‌گیرند و بر اساس اقلیم‌شناسی، یعنی بررسی رفتار طوفان‌های قبلی در شرایط مشابه، عمل نمی‌کنند.
مدل‌های هوش مصنوعی تصویری از وضعیت کنونی جو دریافت می‌کنند و آن را با رخدادهای گذشته در دهه‌های مختلف و نقاط گوناگون جهان مقایسه می‌کنند. این مدل‌ها روابط میان عناصر مختلف مانند فشار، باد و دما را یاد می‌گیرند، سپس پیش‌بینی انجام می‌دهند، از نتیجه آن یاد می‌گیرند و در صورت نیاز خود را دوباره تنظیم می‌کنند.
آن‌ها نمی‌دانند گرانش چگونه کار می‌کند، گرما چگونه از اقیانوس به جو منتقل می‌شود یا فیزیک قطرات باران چگونه است.
فرانکلین گفت مدت کوتاه حضور ایسایاس در خلیج مکزیک باعث شده این طوفان نمونه کاملی برای ارزیابی عملکرد مدل‌ها نباشد، اما موفقیت گسترده دیپ‌مایند از زمان توسعه آن قابل توجه است.
او گفت: «سؤال جالب این است که چرا این مدل برای مسیر حرکت تا این حد فوق‌العاده عمل می‌کند، اما برای شدت فقط بسیار خوب است؟ این یکی از بهترین مدل‌های شدت است، اما در پیش‌بینی مسیر واقعاً شگفت‌انگیز است. تقریباً برایم غیرقابل درک است.»
هواشناسان هنوز در حال شناخت جزئیات پیش‌بینی طوفان با هوش مصنوعی هستند
برای هواشناسان، مدل‌های هوش مصنوعی همچنان ناشناخته‌اند. آن‌ها نمی‌توانند سازوکار داخلی این مدل‌ها را ببینند و نمی‌دانند چرا این فناوری در برخی موارد بسیار خوب عمل می‌کند یا چرا گاهی دچار خطا می‌شود.
برایان مک‌نولدی، پژوهشگر ارشد در دانشکده علوم دریایی، جوی و زمین دانشگاه میامی، مدل‌های هوش مصنوعی را یک «جعبه سیاه» توصیف کرد.
او در ایمیلی نوشت: «این مسئله برای من و بسیاری دیگر، چالش اساسی است؛ آیا می‌توانیم به مدلی اعتماد کنیم که عملکرد فوق‌العاده‌ای دارد، در حالی که نمی‌دانیم چرا چنین عملکردی دارد؟»
بخشی از دشواری پیش‌بینی ایسایاس به برش باد مربوط می‌شد. هواشناسان می‌دانستند که در مقطعی، این پدیده به اندازه‌ای قوی خواهد شد که طوفان را تضعیف کند. اما نقطه‌ای نیز وجود داشت که برش باد می‌توانست به تقویت طوفان کمک کند و با ایجاد تهویه، مانند باز شدن مسیر دود در دودکش، به آن انرژی بیشتری بدهد.
براردلی گفت هواشناسان معمولاً انتظار داشتند ایسایاس در بخش جنوبی خلیج مکزیک، جایی که برش باد کمتر بود، تقویت شود و در بخش مرکزی خلیج که برش باد افزایش می‌یافت، ضعیف شود.
اما گوگل دیپ‌مایند برخلاف این انتظار، تقویت طوفان را در بخش مرکزی خلیج پیش‌بینی کرد.
براردلی گفت: «و مشخص شد که گوگل دیپ‌مایند کاملاً درست می‌گفت. این مدل دقیقاً جایی را که تقویت طوفان رخ می‌داد، تشخیص داد.»
گوگل دیپ‌مایند در کدام بخش پیش‌بینی طوفان ایسایاس دچار خطا شد؟
اما دیپ‌مایند زمانی که ایسایاس به ساحل نزدیک شد، عملکرد ضعیف‌تری داشت. این مدل طوفان را بیش از حد سریع تضعیف کرد و حدود ۹۰ دقیقه پیش از رسیدن به خشکی، آن را یک طوفان رده یک با شدت پایین پیش‌بینی کرد.
براردلی گفت وقوع غیرمعمول یک «جت نیش» که شدیدترین بادها و رعدوبرق‌ها را هنگام رسیدن طوفان به خشکی به سمت بخش غربی ایسایاس منتقل کرد، ممکن است در خطای پیش‌بینی شدت دیپ‌مایند نقش داشته باشد. جت نیش یا پدیده‌ای مشابه آن زمانی رخ داد که هوای خشک وارد طوفان شد و باعث شد جریان‌های شدید باد در ارتفاعات به سمت سطح زمین حرکت کنند.
براردلی گفت: «پیش از ایسایاس، می‌گفتم دیپ‌مایند یکی از نخستین مدل‌هایی است که به آن نگاه می‌کنم. حالا می‌گویم اولین مدل است. این مدل بارها ارزش خود را ثابت کرده است.»
با این حال، فرانکلین هشدار داد که نباید تنها به مدل‌های هوش مصنوعی تکیه کرد. پیش‌بینی‌های رسمی مرکز ملی طوفان آمریکا که توسط انسان‌ها تهیه می‌شوند و همچنین مدل‌های ترکیبی برتر، هنوز در بیشتر نقاط پیش‌بینی عملکرد بهتری نسبت به هوش مصنوعی دارند.
فرانکلین درباره مدل‌های هوش مصنوعی گفت: «نباید مردم فکر کنند که این مدل‌ها حتی در پیش‌بینی مسیر هم نمی‌توانند اشتباه کنند. بله، این فناوری بهتر از هر چیزی است که تاکنون داشته‌ایم، اما کامل نیست.»
کیمبرلی میلر خبرنگار شبکه USA TODAY NETWORK FLORIDA است. او در بخش «پذیرش فلوریدا» درباره آب‌وهوا، محیط زیست و حیات‌وحش گزارش تهیه می‌کند.