لقد أصبح التنبؤ بالطقس يمكن الاعتماد عليه بشكل ملحوظ على مدى فترات قصيرة: فالنماذج الحالية دقيقة للغاية تصل إلى حوالي أسبوعين، كما أن التوقعات المناخية طويلة المدى تتحسن بشكل مطرد أيضًا. ومع ذلك، بين هذين النطاقين الزمنيين، توجد نقطة عمياء عنيدة. وتظل التوقعات في فترة تتراوح بين أسبوعين وستة أسابيع - والمعروفة بالتنبؤ شبه الموسمي - غير موثوقة، على الرغم من أن هذا هو على وجه التحديد النطاق الذي يهم في تحديد موعد زراعة المحاصيل، وكيفية تخصيص المياه والطاقة، وكيفية الاستعداد لحرائق الغابات.

يقول قسم أبحاث مايكروسوفت وشبكة من المتعاونين الخارجيين إنهم وجدوا طريقة لتضييق هذه الفجوة، ليس من خلال بناء نموذج تنبؤ آخر، ولكن من خلال تعليم البرمجيات لتصحيح الأخطاء المتوقعة للنماذج الموجودة بالفعل. تم تفصيل هذا النهج، الذي يسمى تصحيح الانحياز الاحتمالي (PBC)، في ورقة بحثية منشورة في المجلة العلمية Nature، كما تم وصفه في منشور على مدونة Microsoft نُشر هذا الأسبوع. إنها واحدة من أكثر الإدخالات العملية بهدوء في موجة أبحاث الذكاء الاصطناعي التطبيقية التي تم تناولها بين [أحدث تطورات الذكاء الاصطناعي] (https://aibuzzwire.news)، لأنها تعمل على ترقية الأنظمة التي يعتمد عليها علماء الأرصاد الجوية بالفعل بدلاً من مطالبتهم بالتبديل إلى شيء جديد.

لماذا تتحدى النافذة الممتدة من أسبوعين إلى ستة أسابيع التوقعات؟

تحاكي النماذج القائمة على الفيزياء الغلاف الجوي والمحيطات باستخدام معادلات علمية، في حين تتدرب نماذج الذكاء الاصطناعي الأحدث على أرشيفات ضخمة من بيانات الطقس المرصودة. وفقًا لمايكروسوفت، كان أداء كلتا العائلتين جيدًا لمدة عشرة أيام تقريبًا. وبعد هذه النقطة، تتراكم الأخطاء الأولية الصغيرة، وتطغى التفاعلات المعقدة بين الغلاف الجوي والمحيطات وسطح الأرض على كلا النهجين، ولهذا السبب تأخرت التوقعات التي تتراوح ما بين أسبوعين إلى ستة أسابيع عن بقية التوقعات.

وبدلاً من الدخول في مجال مزدحم بالنماذج المتنافسة، ركز الفريق الذي تقوده مايكروسوفت على هدف مختلف: الأخطاء المنهجية المتكررة التي ترتكبها النماذج في هذا النطاق. أوضحت الشركة في منشور مدونتها: "يأخذ خط الأنابيب الجديد (PBC) نموذجك المفضل كمدخل ويتعلم الطرق التي يميل بها إلى ارتكاب الأخطاء. ثم يقوم بتصحيح تلك الأخطاء، مما يؤدي إلى توقعات أفضل للإنتاج للنطاق شبه الموسمي".

طبقة خفيفة الوزن فوق النماذج الموجودة

من الناحية الفنية، PBC هو نظام تعلم آلي خفيف الوزن يدرس أرشيف أي نموذج معين للتنبؤات التاريخية لمعرفة أين وكيف يتم تحيزه بشكل منهجي. بمجرد تعلم هذه الأنماط، يقوم النظام بضبط المخرجات الاحتمالية للنموذج للتعويض. في التقييمات الموضحة في ورقة Nature، تفيد Microsoft بأن PBC حسنت أداء النموذج شبه الموسمي الرائد في العالم، والذي يديره المركز الأوروبي للتنبؤات الجوية متوسطة المدى (ECMWF).

تم الحفاظ على النتائج في المنافسة الحية، وليس فقط في الاختبارات بأثر رجعي. أطلقت ECMWF مسابقة AI Weather Quest في أغسطس 2025، وهي مسابقة في الوقت الفعلي مصممة لتعزيز التنبؤ الاحتمالي شبه الموسمي. حصل فريق يُدعى MicroEnsemble، مكون من باحثين من Microsoft ومتعاونين خارجيين، على مرتبة الشرف الأولى من خلال مشاركة أطلق عليها اسم MicroDuet، والتي طبقت PBC على النموذج الديناميكي الرائد في الصناعة لـ ECMWF.

وقال الدكتور جوشوا طالب، عالم التنبؤ شبه الموسمي في ECMWF: "يوفر برنامج AI Weather Quest منصة قياس فريدة في الوقت الفعلي للتنبؤات شبه الموسمية". "سلطت مساهمات فريق MicroEnsemble الضوء على كيف يمكن للتعلم الآلي أن يعزز مهارة أنظمة التنبؤ الديناميكية التقليدية من خلال المعالجة اللاحقة."

من المعيار إلى الطيارين في العالم الحقيقي في شرق أفريقيا

هذه التقنية تتحرك بالفعل إلى ما هو أبعد من المعايير. وفي كينيا، يستعد المتنبئون لاختبار PBC مع بدء أحد موسمي الأمطار في البلاد. وتشمل هذه الجهود هيئة خدمات الأرصاد الجوية الكينية (KMSA) والعلماء في مركز مخاطر المناخ بجامعة كاليفورنيا، سانتا باربرا، مع نصيحة من جينيفيف فلاسبوهلر، التي تدير مؤسسة Rhiza Research، وهي مؤسسة غير ربحية تركز على تحسين التنبؤ بالطقس المدعوم بالذكاء الاصطناعي.

يرى فلاسبوهلر أن قيمة التنبؤ تعتمد على الوصول في الوقت المناسب للتصرف بناءً عليه. وأضافت أن "التنبؤات الجوية الجيدة، التي يتم تقديمها في الوقت المناسب، عبر قناة الاتصال الصحيحة، يمكن أن تكون فارقًا كبيرًا بين النتائج الزراعية"، مشيرة إلى أن شرق إفريقيا كانت تتأرجح بين السنوات الأكثر جفافًا على الإطلاق والأكثر رطوبة على الإطلاق. وفي منطقة حيث تفتقر المزارع إلى حد كبير إلى الري، وتعتمد قرارات الزراعة والتسميد وشراء البذور على التوقعات، فإن التنبؤ الأكثر مهارة شبه الموسمية لا يشكل تحسنا مجردا.

وقال فلاسبوهلر: "لأننا في خضم ظاهرة النينيو الأكثر دفئا على الإطلاق، هناك الكثير من الخوف بين الحكومات ومجتمع علوم المناخ حول كيفية ظهور ذلك". "هناك حاجة كبيرة لأساليب تنبؤ بسيطة تعمل بقوة."

حجة الكفاءة في عصر النماذج الأكبر

ما يجعل PBC بارزًا في أبحاث الذكاء الاصطناعي هو اقتصادها. في حين أن الكثير من المتخصصين يتسابقون لتدريب نماذج تنبؤ شاملة وأكبر حجمًا، فإن PBC عبارة عن نظام صغير نسبيًا يستعير معظم مهاراته من النماذج التشغيلية التي يصححها. وهذا يجعل تشغيلها أقل تكلفة ويسهل على وكالات الأرصاد الجوية اعتمادها، حيث يمكنها الاحتفاظ ببنيتها التحتية الحالية وإضافة طبقة تصحيح ببساطة.

كما أنه يعكس أيضًا نمطًا أوسع في التعلم الآلي التطبيقي: فالمعالجة اللاحقة والمعايرة غالبًا ما تحقق مكاسب كانت ستتطلب إعادة صياغة النموذج بالكامل. بالنسبة لخدمات الطقس التي تزن أين يمكن إنفاق ميزانيات محدودة، فمن المرجح أن تجذب الانتباه طريقة تعمل على تحسين نطاق التنبؤات الأصعب بشكل واضح - تم التحقق من صحتها في دورية Nature، وفي مسابقة ECMWF المباشرة.

ما الذي سيأتي بعد ذلك بالنسبة للذكاء الاصطناعي شبه الموسمي

لم يصل منشور مدونة Microsoft إلى حد الإعلان عن منتج تشغيلي، ولم تذكر الشركة ما إذا كان سيتم دمج PBC في عروض التنبؤ التجارية. والاختبار على المدى القريب هو ما إذا كانت خدمات الطقس الوطنية ستبدأ في اعتماد طبقات تصحيح التحيز مثل PBC لتوقعاتها شبه الموسمية، وما إذا كان هذا النهج يتوافق بشكل جيد مع نماذج التنبؤ بالذكاء الاصطناعي التي تدخل الآن الاستخدام العملي.

إذا حدث ذلك، فإن النافذة التي تمتد من أسبوعين إلى ستة أسابيع - وهي الفترة التي لم يكن لدى المزارعين ومشغلي الشبكات ومخططي الكوارث تاريخياً سوى أقل القليل من العمل فيها - قد تبدأ أخيرًا في الإغلاق. بالنسبة لمجال قضى عقودًا من الزمن في مطاردة مكاسب هامشية في المهارات، فإن السماح لنظام صغير للتعلم الآلي بتنظيف الأخطاء المنهجية للنماذج الفيزيائية العملاقة يعد نوعًا عمليًا من التقدم.

---

ابقَ في طليعة الذكاء الاصطناعي

احصل على آخر الأخبار والتحليلات والإنجازات في مجال الذكاء الاصطناعي — كل ذلك في مكان واحد.

اقرأ المزيد من أخبار الذكاء الاصطناعي →