Google Research و Google DeepMind WeatherNext 3، جدیدترین نسخه سیستم پیش‌بینی آب و هوای هوش مصنوعی این شرکت و به حساب گوگل، دقیق‌ترین مدل پیش‌بینی جهانی آن را منتشر کرده‌اند. در تاریخ 3 سپتامبر اعلام شد، این سیستم شروع به تغذیه اطلاعات آب و هوا در جستجو، نقشه های گوگل و جمینی می کند و از طریق پلتفرم های ابری گوگل در دسترس کسب و کارها و محققان است.

برخلاف ابررایانه‌های دولتی که بیشتر پیش‌بینی‌های جهان را برای دهه‌ها انجام داده‌اند، WeatherNext 3 یک مدل یادگیری عمیق است: الگوها را مستقیماً از مشاهدات می‌آموزد نه حل گام به گام معادلات فیزیک جو. گوگل همچنین می‌گوید این اولین مدل هوش مصنوعی است که مشاهدات ماهواره‌ای خام را مستقیماً در یک پیش‌بینی جهانی با وضوح بالا ترکیب می‌کند - ادعایی که حداقل یکی از رقبا با آن مخالفت می‌کند. در اینجا چیزی است که تغییر کرده است، و چرا پیش‌بینی‌کنندگان فراتر از گوگل، [آخرین پیشرفت‌های هوش مصنوعی] (https://aibuzzwire.news) را در این زمینه از نزدیک تماشا می‌کنند.

چگونه هوش مصنوعی قالب پیش بینی آب و هوا را شکست

پیش‌بینی‌های سنتی از آژانس‌های ملی مانند سرویس ملی آب‌وهوای ایالات متحده و مرکز اروپایی پیش‌بینی‌های هوای متوسط (ECMWF)، که ابررایانه‌های آن از طریق معادلات ریاضی توصیف‌کننده فیزیک جو انجام می‌شوند، انجام می‌شود. این سیستم ها به طور قابل ملاحظه ای دقیق اما گران و نسبتاً کند هستند.

جایگزین یادگیری عمیق پس از انتشار بیش از نیم قرن داده های آب و هوای آرشیو شده توسط ECMWF در سال 2018 توسط ECMWF آغاز شد و دقیقاً همان نوع آموزش شبکه های عصبی پیکره را در اختیار محققان قرار داد. فران آلت، مدیر دانشمند تحقیقاتی کارکنان در DeepMind، به TechCrunch گفت: «آب‌وهوا آشفته است و بنابراین تفاوت‌های کوچک واقعاً شروع به ایجاد آشفتگی می‌کنند. "یادگیری ماشین مشکلی را که ما واقعاً حل می کنیم، یعنی فیزیک تقریبی پر سر و صدا از اطلاعات ناقص و محاسبات محدود را هدف قرار می دهد، و بنابراین الگوها را از داده های زیادی یاد می گیرد."

تیزتر، سریعتر و بسیار مکررتر

WeatherNext 3 یک مدل بزرگتر از مدل قبلی خود است - 2.4 برابر پارامترهای بیشتر - و اکنون در رتبه اول WeatherBench عملیاتی Brightband است، یک معیار مستقل که سیستم های پیش بینی هوش مصنوعی را در دما، سرعت باد و رطوبت مقایسه می کند. به گفته TechCrunch، این مدل از مدل‌های یادگیری عمیق رقیب گوگل، مایکروسافت، انویدیا و ECMWF بهتر عمل می‌کند و پیش‌بینی‌های عددی سنتی تولید شده توسط سرویس ملی آب‌وهوای ایالات متحده و خود ECMWF را شکست می‌دهد.

دستاوردهای عملی قابل توجه است:

  • رزولوشن تا 5 کیلومتر برای متغیرهای کلیدی، که در آن بیشتر مدل های هوش مصنوعی در مناطق 15 تا 25 کیلومتری پیش بینی می کنند. Decoder گزارش می دهد که مدل پنج برابر دقیق تر از WeatherNext 2 است.
  • **پیش‌بینی باران در ارزیابی‌های Google نسبت به WeatherNext 2 60 درصد بهبود یافته است، و 9to5Google 50 درصد پیش‌بینی دقیق‌تر بارش را برای محصولات خود Google ذکر می‌کند.
  • پیش‌بینی‌های ساعتی به‌جای آهنگ استاندارد شش ساعته، زیرا مدل می‌تواند مشاهدات ماهواره‌ای را که در زمان واقعی در هر ساعت جمع‌آوری شده است، جذب کند.
  • هدف گیری در سطح ایستگاه، به این معنی که مدل پیش بینی می کند که ایستگاه های هواشناسی خاص - نه فقط مربع های شبکه - چه چیزی را اندازه گیری می کنند.

دانیل روتنبرگ، دانشمند اتمسفر در Brightband، به TechCrunch گفت: «ایده، با بسیاری از برنامه های کاربردی هوش مصنوعی، این است که سعی کنیم وظایف را تا حد امکان به صورت سرتاسری اجرا کنیم. افزودن قابلیتی که در آن این مدل اکنون همچنین پیش بینی می کند، مثلاً آنچه ایستگاه هواشناسی فرودگاه دنور قرار است به صورت ساعتی اندازه گیری کند، فقط این کار پیش بینی را به هسته اصلی متصل می کند.

اختلاف داده های ماهواره ای خام

ادعای گوگل برای اولین بار به اندازه معماری مدل بر روی لوله کشی داده استوار است. اکثر پیش‌بینی‌کنندگان هوش مصنوعی هنوز مجموعه‌های داده‌های تجزیه و تحلیل قالب‌بندی‌شده‌ای را که توسط سازمان‌های آب‌وهوای دولتی تولید می‌شوند، آموزش می‌دهند و مقداردهی اولیه می‌کنند. WeatherNext 3 مشاهدات ماهواره‌ای خام را مستقیماً هر ساعت دریافت می‌کند - به گفته گوگل، نزدیک‌تر به همسان‌سازی واقعی داده‌ها.

استارت‌آپ آب‌وهوای هوش مصنوعی WindBorne می‌گوید که مدل WeatherMesh 6 خود از اواخر سال 2025 مشاهدات خام را از ناوگان بالون‌های هواشناسی خود و سایر منابع ترکیب کرده است. در پاسخ به سوالی درباره این اختلاف، گوگل به حل جهانی پیش‌بینی‌هایش اشاره کرد. TechCrunch خاطرنشان می‌کند که هر دو شرکت هنوز به مجموعه داده‌های ملی برای بخش‌هایی از خط لوله تکیه می‌کنند، بنابراین همسان‌سازی مستقیم به طور کامل برای کل حوزه کاری در حال انجام است.

جایی که کاربران آن را خواهند دید

سامیر مرچنت، مهندس ارشد کارکنان گوگل، به TechCrunch گفت: "این اولین باری است که برخی از متغیرهای اصلی بسیاری از محصولات گوگل را تغذیه و نیرو می دهند." اطلاعات آب و هوا در جستجو، Google Maps و Gemini از خروجی WeatherNext 3 استفاده می‌کنند و پیش‌بینی‌های ایجاد شده توسط هوش مصنوعی را در مقابل میلیاردها کاربر قرار می‌دهند - بسیاری از آنها هرگز مدل پشت سر خود را نمی‌دانند.

چرا فراتر از برنامه مهم است

اقتصاد داستان بزرگتر است. تولید پیش‌بینی‌های هوش مصنوعی در مقایسه با مجموعه‌های ابررایانه سریع و ارزان است، که پیش‌بینی قابل استفاده را در دسترس مناطقی قرار می‌دهد که هرگز قادر به پرداخت آن نبوده‌اند. Decoder گزارش می دهد که بخش هایی از آفریقا، آمریکای لاتین و آسیا-اقیانوسیه که فاقد پیش بینی دقیق هستند، باید بیشترین دستاوردها را داشته باشند. بیل گیتس پیش بینی آب و هوا با هوش مصنوعی را به عنوان یک مزیت توسعه ملموس ذکر کرده است، با پیش بینی های بهتر باعث بهبود عملکرد محصولات در کشورهای در حال توسعه می شود و آلت خاطرنشان می کند که پیش بینی های باد، باران و ابر با وضوح بالاتر می توانند پروژه های انرژی تجدیدپذیر را قابل اعتمادتر کنند.

آژانس‌های هواشناسی در اروپا و ایالات متحده در حال حاضر مدل‌های هوش مصنوعی را در محصولات عملیاتی خود قرار داده‌اند. با WeatherNext 3، انقلاب ترانسفورماتور که زبان را تغییر داد، بی سر و صدا به موتور آب و هوای روزمره تبدیل شده است.

از هوش مصنوعی جلوتر بمانید

تحقیقات هوش مصنوعی به سرعت پیش می رود. [آخرین پیشرفت‌های هوش مصنوعی] (https://aibuzzwire.news) را در یک مکان دریافت کنید.

اخبار هوش مصنوعی را بیشتر بخوانید →