ثورة الذكاء الاصطناعي في علوم الطقس والمناخ ليست ثورية
يجب أن تكون بعض القيود واضحة. لن تحدد هذه الخوارزمية نوعًا لم يتم تدريبها عليه أو أي مجموعات فرعية من الأنواع التي تختلف كثيرًا عن المثال. إن جودة بيانات التدريب لها أهمية كبيرة أيضًا. إذا استخدمنا فقط صور طيور القرقف في أشجار الصنوبر، فيمكن للنموذج تضمين إبر الصنوبر في تعريفه لطائر القرقف. وبدون الكثير من العمل الإضافي، قد لا نعرف كيف يصل النموذج إلى إجاباته. الآليات الداخلية هي إلى حد كبير صندوق أسود في معظم الأوقات. لكن الاتجاه الصعودي حقيقي. غالبًا ما تتفوق خوارزميات التعلم الآلي على أفضل الخوارزميات التي صنعها الإنسان، على الأقل من حيث الكفاءة الحسابية، إن لم يكن من حيث الدقة أيضًا. يجب فقط استخدامها بشكل صحيح، وإلا ستظهر القيود. الحوسبة السحابية بالنسبة لنماذج التنبؤ بالطقس، لا تختلف العملية كثيرًا عن مثالنا الخاص بتحديد الطيور، ولكن يتم تدريب النماذج على مجموعتين من بيانات الطقس التي تم الحصول عليها بفاصل زمني قصير. ولأنها لا تحل الكثير من المعادلات الفيزيائية في كل مكان، فإن هذه النماذج تعمل بسرعة أكبر بكثير من نماذج الطقس التقليدية. وقد قام عدد من الشركات، بما في ذلك جوجل، وإنفيديا، وهواوي، ومايكروسوفت، بتطوير نماذج أولية ــ بالتعاون في بعض الأحيان مع أكاديميين مستقلين ــ والتي يمكن مقارنتها بشكل إيجابي بنماذج التنبؤ التي نستخدمها حاليا. بمجرد أن بدأنا في فهم أين تتفوق النماذج وتواجه الصعوبات، بدأت بعض مراكز التنبؤ بالطقس الرئيسية في تطوير نماذجها الخاصة. وضع المركز الأوروبي للتنبؤات الجوية متوسطة المدى (ECMWF) أول نموذج له قائم على التعلم الآلي في الخدمة في فبراير 2025، حيث قام بتشغيله جنبًا إلى جنب مع نموذج نظام التنبؤ المتكامل (IFS) القديم. يتم تدريب نموذج AIFS باستخدام إعادة التحليل، وهي مجموعة بيانات تم إنشاؤها من خلال أخذ جميع ملاحظات الطقس المتاحة وملء صورة متسقة ماديًا حيث لا توجد لدينا قياسات. تعمل هذه الأداة المهمة على تبسيط مهمة التعلم الآلي إلى حد كبير للتنبؤ باللقطة العالمية التالية (ست ساعات للأمام) بناءً على اللقطات السابقة.
تم النشر: 2026-06-08 12:00:00
مصدر: arstechnica.com
