โปรแกรม Gen AI GenCast มีประสิทธิภาพดีกว่าการพยากรณ์ ของ ENS ในการทำนายสภาพอากาศรายวันและเส้นทางของพายุเฮอริเคนและไซโคลน
AI program GenCast performed better than ENS forecast at predicting day-to-day weather and paths of hurricanes and cyclones
Google DeepMind ทำนายอากาศได้แม่นยำมากกว่า ENS ระบบชั้นนำที่ใช้งานในปัจจุบัน
โปรแกรม Gen AI GenCast มีประสิทธิภาพดีกว่าการพยากรณ์ของ ENS ในการทำนายสภาพอากาศรายวันและเส้นทางของพายุเฮอริเคนและไซโคลน
สำหรับผู้ที่มีหน้าที่ติดตามสภาพอากาศ มีแนวโน้มที่ AI จะมาช่วยยกระดับขึ้นในอนาคต นักวิจัยได้สร้างระบบพยากรณ์อากาศที่ใช้ Gen AI ซึ่งสามารถทำนายได้เร็วและแม่นยำกว่าระบบที่มีอยู่ในปัจจุบัน
GenCast ซึ่งเป็นโปรแกรมพยากรณ์อากาศของ Google DeepMind สามารถทำนายได้ดีกว่าการพยากรณ์ของ ENS จาก European Centre for Medium-Range Weather Forecasts (ECMWF) ซึ่งถือว่าเป็นผู้นำระดับโลกถึง 20%
ในระยะใกล้ GenCast คาดว่าจะเข้ามาสนับสนุนการพยากรณ์แบบดั้งเดิมมากกว่าที่จะแทนที่ แต่แม้แต่ในบทบาทผู้ช่วย ก็อาจให้ความชัดเจนเกี่ยวกับคลื่นความหนาว คลื่นความร้อน และลมแรง และช่วยบริษัทพลังงานคาดการณ์การผลิตไฟฟ้าจากฟาร์มลม
ในการเปรียบเทียบแบบตัวต่อตัว โปรแกรมนี้สร้างการพยากรณ์ที่แม่นยำกว่า ENS ในสภาพอากาศรายวันและเหตุการณ์รุนแรงล่วงหน้าถึง 15 วัน และยังดีกว่าในการทำนายเส้นทางของพายุเฮอริเคนและไซโคลนร้ายแรง รวมถึงจุดที่จะขึ้นฝั่ง
“การเอาชนะ ENS ถือเป็นจุดเปลี่ยนสำคัญในความก้าวหน้าของ Gen AI สำหรับการพยากรณ์อากาศ” Ilan Price นักวิจัยจาก Google DeepMind กล่าว “อย่างน้อยในระยะสั้น โมเดลเหล่านี้จะมาสนับสนุนแนวทางดั้งเดิมที่มีอยู่”
การพยากรณ์อากาศแบบดั้งเดิมที่ใช้หลักฟิสิกส์จะแก้สมการจำนวนมากเพื่อสร้างการพยากรณ์ แต่ GenCast เรียนรู้วิวัฒนาการของสภาพอากาศโลกโดยฝึกฝนจากข้อมูลประวัติศาสตร์ 40 ปี ระหว่างปี 1979 ถึง 2018 ซึ่งรวมถึงความเร็วลม อุณหภูมิ ความดัน ความชื้น และตัวแปรอื่นๆ อีกหลายสิบตัว
เมื่อได้ข้อมูลสภาพอากาศล่าสุด GenCast จะทำนายการเปลี่ยนแปลงสภาพอากาศรอบโลกในพื้นที่จัตุรัสขนาดสูงสุด 28×28 กิโลเมตร สำหรับ 15 วัน ข้างหน้า โดยแบ่งเป็นช่วงละ 12 ชั่วโมง
ในขณะที่การพยากรณ์แบบดั้งเดิมใช้เวลาหลายชั่วโมงบนซูเปอร์คอมพิวเตอร์ที่มีโปรเซสเซอร์หลายหมื่นตัว GenCast ใช้เวลาเพียง 8 นาที บนชิป Google Cloud TPU ซึ่งออกแบบมาสำหรับ machine learning โดยรายละเอียดถูกตีพิมพ์วารสาร Nature แล้ว
กูเกิลได้เผยแพร่การพยากรณ์อากาศที่ขับเคลื่อนด้วย Gen AI หลายครั้งในช่วงหลายปีที่ผ่านมา ซึ่งเป็นผลงานของนักวิจัยที่ทดลองแนวทางต่างๆ ในเดือนกรกฎาคม บริษัทประกาศ NeuralGCM ซึ่งผสมผสาน Gen AI และฟิสิกส์แบบดั้งเดิมสำหรับการพยากรณ์ระยะไกลและการจำลองสภาพภูมิอากาศ
ในปี 2023 Google DeepMind เปิดตัว GraphCast ซึ่งสร้างการพยากรณ์การคาดเดาที่ดีที่สุดครั้งละหนึ่งครั้ง GenCast พัฒนาต่อยอดจาก GraphCast โดยการสร้างชุดการพยากรณ์ 50 หรือมากกว่า และกำหนดความน่าจะเป็นสำหรับเหตุการณ์อากาศต่างๆ ข้างหน้า
นักพยากรณ์อากาศต้อนรับความก้าวหน้านี้ Steven Ramsdale หัวหน้านักพยากรณ์ของ Met Office ผู้รับผิดชอบด้าน Gen AI กล่าวว่างานนี้ “น่าตื่นเต้น” ขณะที่โฆษกของ ECMWF เรียกมันว่า “ความก้าวหน้าที่สำคัญ” และเสริมว่ามีส่วนประกอบของ GenCast กำลังถูกใช้ในการพยากรณ์ Gen AI หนึ่งของพวกเขา
“การพยากรณ์อากาศกำลังอยู่บนขอบของการเปลี่ยนแปลงวิธีการอย่างถึงรากถึงราก” Sarah Dance ศาสตราจารย์ด้านการรวบรวมข้อมูลจากมหาวิทยาลัย Reading กล่าว
“นี่เปิดโอกาสให้หน่วยงานพยากรณ์อากาศระดับชาติผลิตชุดการพยากรณ์ที่ใหญ่ขึ้นมาก ให้การประมาณการณ์ที่น่าเชื่อถือมากขึ้นเกี่ยวกับความมั่นใจในการพยากรณ์ โดยเฉพาะอย่างยิ่งสำหรับเหตุการณ์รุนแรง”
ศาสตราจารย์ Dance ยังมีคำถามว่า ระบบของพวกเขามีความเป็นจริงทางฟิสิกส์ที่จะตรวจจับ butterfly effect ซึ่งมีความสำคัญอย่างยิ่งสำหรับการพยากรณ์แบบชุด ในบริบทของการพยากรณ์อากาศ butterfly effect เป็นแนวคิดที่อธิบายว่าการเปลี่ยนแปลงเล็กน้อยในเงื่อนไขเริ่มต้นสามารถนำไปสู่ผลลัพธ์ที่แตกต่างอย่างมากในเวลาต่อมา
“ยังมีเส้นทางยาวไกลก่อนที่แนวทาง machine learning จะสามารถแทนที่การพยากรณ์แบบฟิสิกส์ได้อย่างสมบูรณ์” เธอกล่าวเสริม
ข้อมูลที่ GenCast ฝึกฝนประกอบด้วยการสังเกตในอดีตควบคู่กับการพยากรณ์ย้อนหลังแบบฟิสิกส์ ที่ต้องใช้คณิตศาสตร์ที่ซับซ้อน
“ยังคงต้องดูว่า generative machine learning จะสามารถแทนที่ขั้นตอนนี้และไปถึงการพยากรณ์ 15 วัน โดยตรง จากการสังเกตล่าสุดที่ยังไม่ได้ประมวลผลได้หรือไม่” Dance กล่าว
จากประสิทธิภาพที่ได้ ดูจะมีความหวัง แต่มีโอกาสพบข้อผิดพลาดหรือไม่ในอนาคต? การพยากรณ์ Gen AI จะปลอดภัยหรือไม่? Price กล่าว “โมเดลการพยากรณ์ทั้งหมดย่อมมีโอกาสทำผิดพลาด และ GenCast ก็ไม่แตกต่าง”