AI พยากรณ์อากาศกำลังขยับจากวันข้างหน้าไปสู่โลกอนาคต
โมเดล AI ด้านอากาศคือระบบคำนวณที่เรียนรู้รูปแบบจากข้อมูลและอาศัยหลักฟิสิกส์ เพื่อคาดการณ์สภาพบรรยากาศหรือจำลองแนวโน้มภูมิอากาศในช่วงเวลาต่างกัน ตั้งแต่สัปดาห์ข้างหน้าไปจนถึงหลายทศวรรษ จุดเปลี่ยนสำคัญจึงไม่ใช่แค่การพยากรณ์ให้เร็วขึ้น แต่คือการทำให้เครื่องมือเดียวกันช่วยตอบคำถามคนละชนิดได้
Tianji AI ของ Envision ได้อันดับหนึ่งในการแข่งขัน AI Weather Quest โดยทำคะแนนสูงสุดในตัวชี้วัดที่ประเมินสำหรับช่วงพยากรณ์วันที่ 19 ถึง 25 ทั้งอุณหภูมิใกล้พื้นผิว ความกดอากาศระดับน้ำทะเล และปริมาณฝน[Tianji] ผู้อยู่เบื้องหลังระบุว่าแนวทางของโมเดลผสานฟิสิกส์กับ AI ซึ่งเป็นทิศทางที่น่าเชื่อถือกว่าการฝากคำตอบไว้กับการเรียนรู้จากข้อมูลเพียงอย่างเดียว โดยเฉพาะเมื่อพยากรณ์ล่วงหน้าหลายสัปดาห์มีความไม่แน่นอนสูง
ผลพยากรณ์ที่เร็วและแม่นขึ้นมีความหมายต่อผู้ใช้จริงด้วย เพราะข้อมูลลมและรังสีดวงอาทิตย์ช่วยวางแผนพลังงานหมุนเวียนและการผลิตไฟฟ้าได้ดีขึ้น อย่างไรก็ดี ความสำเร็จในสนามพยากรณ์ยังไม่เท่ากับการพิสูจน์ว่าโมเดลจะจำลองโลกที่ร้อนขึ้นในอีกหลายสิบปีได้
พยากรณ์อากาศกับการฉายภาพภูมิอากาศตอบคนละคำถาม
การพยากรณ์อากาศมุ่งตอบว่าในช่วงใกล้ ๆ นี้จะเกิดอะไรขึ้น เช่น ฝนจะตกที่ใดหรืออุณหภูมิจะเปลี่ยนอย่างไร ส่วนการฉายภาพภูมิอากาศไม่ได้ทำนายสภาพอากาศของวันใดวันหนึ่งล่วงหน้าเป็นสิบปี แต่ประเมินว่าค่าเฉลี่ยและรูปแบบฝน อุณหภูมิ และแหล่งน้ำอาจเปลี่ยนไปอย่างไรภายใต้โลกที่กำลังอุ่นขึ้น
Google พัฒนา NeuralGCM เพื่อพยากรณ์อากาศในกรอบเวลาตั้งแต่ไม่กี่สัปดาห์ไปจนถึงประมาณหนึ่งปี ส่วน Ai2 จะต่อยอดเป็น NeuralGCM+ สำหรับการฉายภาพตั้งแต่ 5 ถึง 50 ปีข้างหน้า จุดนี้ทำให้โจทย์ยากขึ้นอย่างชัดเจน เพราะโมเดลต้องจำลองสภาพที่ไม่เคยปรากฏในข้อมูลอดีต และต้องไม่ให้ผลลัพธ์ขัดกับกฎฟิสิกส์
ความต่างนี้สำคัญต่อชีวิตประจำวันมากกว่าที่ฟังดู เพราะหน่วยงานน้ำอาจใช้ภาพแนวโน้มฝนเพื่อวางแผนจัดสรรน้ำ ขณะที่ผู้วางแผนโครงสร้างพื้นฐานต้องประเมินความเสี่ยงจากความร้อนและสภาพอากาศสุดขั้ว ความแม่นยำระยะสั้นจึงเป็นประโยชน์ แต่ไม่ควรถูกเข้าใจผิดว่าเป็นคำตอบเรื่องภูมิอากาศระยะยาว
NeuralGCM ต้องพิสูจน์ตัวเองในโลกที่ยังไม่เคยเห็น
NeuralGCM ผสมสมการฟิสิกส์แบบดั้งเดิมเข้ากับ AI จุดแข็งคือกฎทางฟิสิกส์ไม่เปลี่ยนตามข้อมูลที่โมเดลเคยเรียนรู้ จึงมีโอกาสรับมือกับสภาพอากาศที่ต่างจากอดีตได้ดีกว่าโมเดล AI ที่ฝึกจากข้อมูลย้อนหลังอย่างเดียว แต่ข้อได้เปรียบนี้ยังเป็นสมมติฐานที่ต้องทดสอบ ไม่ใช่หลักประกันว่าโมเดลจะใช้ได้กับทุกสถานการณ์
การทดสอบก่อนหน้านี้พบข้อจำกัด ทั้งการจำลองระยะยาวบางชุดที่ไม่เสถียร และผลลัพธ์บรรยากาศที่ไม่สมเหตุผลเมื่อจำลองมหาสมุทรอุ่นกว่าปัจจุบันมาก Ai2 จึงตั้งใจเชื่อมโมเดลกับระบบจำลองมหาสมุทรและน้ำแข็งทะเล พร้อมเพิ่มฟิสิกส์ที่ผ่านการยอมรับ และเทียบผลในโลกอุ่นขึ้นกับโมเดลภูมิอากาศแบบดั้งเดิม
แนวทางนี้สมเหตุสมผลกว่าการเร่งประกาศว่า AI จะมาแทนวิทยาศาสตร์ภูมิอากาศ เพราะโจทย์ไม่ใช่เพียงคำนวณให้เร็ว แต่ต้องให้ผลที่เสถียรและมีความหมายทางกายภาพ แม้ทีมพัฒนาจะยอมรับว่าการทำให้โมเดลน่าเชื่อถือในโลกที่ร้อนขึ้นอาจใช้เวลานานกว่าโครงการสามปี
การเปิดเครื่องมืออาจสำคัญพอ ๆ กับการสร้างโมเดล
แผนของ Ai2 ไม่ได้หยุดที่การสร้างโมเดลภูมิอากาศ แต่รวมถึงการเปิดโค้ดฝึก NeuralGCM ให้คนอื่นนำไปพัฒนาและฝึกเวอร์ชันของตนเองได้ แม้ใช้หน่วยประมวลผลกราฟิกทั่วไปแทนการพึ่งฮาร์ดแวร์เฉพาะของ Google ก็ตาม การเปิดให้เข้าถึงเช่นนี้มีคุณค่าต่อวงการ เพราะช่วยให้การตรวจสอบและการทดลองไม่จำกัดอยู่กับทีมเจ้าของเทคโนโลยี
Ai2 คาดว่าจะเปิดโค้ดภายในปีแรก และจะพัฒนาระบบมหาสมุทรควบคู่กันไป ขณะเดียวกัน Google Research จะพัฒนา NeuralGCM สำหรับการพยากรณ์ต่อ โดยทั้งสองทีมจะแบ่งปันโค้ดฝึกและข้อมูล แผนนี้ทำให้บทบาทของ AI ชัดขึ้นในฐานะเครื่องมือเสริมงานวิทยาศาสตร์ ไม่ใช่ผู้ตัดสินความจริงโดยลำพัง
สำหรับหน่วยงานน้ำ นักวางแผนเมือง และผู้ดูแลโครงสร้างพื้นฐาน คำถามเรื่องปริมาณฝน น้ำใช้ได้ และความเสี่ยงอากาศสุดขั้วมีผลต่อการตัดสินใจจริง โมเดลที่เข้าถึงได้อาจช่วยให้มีผู้ตรวจสอบคำตอบมากขึ้น แต่ประโยชน์จะเกิดขึ้นก็ต่อเมื่อผลจำลองผ่านการทดสอบและเปิดเผยข้อจำกัดอย่างตรงไปตรงมา
บทสรุปคือ Tianji แสดงให้เห็นว่า AI พยากรณ์อากาศที่ผสานฟิสิกส์มีผลงานเด่นในกรอบเวลาหลายสัปดาห์ ส่วน NeuralGCM กำลังถูกต่อยอดเพื่อรับมือคำถามที่ยาวไกลกว่านั้น ความสำเร็จขั้นถัดไปจึงไม่ใช่แค่พยากรณ์ได้เก่ง แต่ต้องจำลองอนาคตอย่างเสถียร ตรวจสอบได้ และเปิดเครื่องมือให้ชุมชนนักวิจัยร่วมทดสอบ
