في أكتوبر 2021 ضرب إعصار شاهين سواحل عُمان وفاجأ كثيرين بقوته، وقبله بأربعة عشر عاماً خلف إعصار جونو (2007) خسائر بمليارات الدولارات في مسقط وصحار، وفي أكتوبر 2023 اجتاز إعصار تيج بحر العرب نحو اليمن وعُمان. سواحل بحر العرب وبحر عُمان ليست على هامش مواسم الأعاصير — إنها في قلبها. لهذا يحمل إعلان Google DeepMind في 6 أغسطس 2026 عن اختراق نموذج WeatherNext في التنبؤ بالأعاصير معنى خاصاً لقارئ عربي، حتى لو مرّ على الإعلان أيام: البحث المنشور في دورية Nature يوثّق أول نموذج ذكاء اصطناعي يتفوق في مسار الإعصار وقوته وبنية رياحه في آن واحد — وهي المقايضة التي عجزت عنها أنظمة التنبؤ التقليدية لعقود.
هذا المقال يحرّر الفجوة الزمنية بصراحة: الحدث أُعلن في 6 أغسطس 2026، ونحن نقدم هنا الشرح الكامل الذي يبحث عنه القارئ بعد أيام من الانتشار: ما الذي حدث بالضبط، وما الأرقام الموثقة، وكيف يخدم هذا سواحل الخليج واليمن وشرق أفريقيا، وكيف يمكنك أنت — كباحث أو مطور أو مجرد مهتم — أن تستخدم النموذج اليوم مجاناً.
المشكلة التي لم تُحل منذ عقود
التنبؤ بالأعاصير الاستوائية يقوم على ركيزتين كانتا لا تجتمعان:
- المسار: يحكمه التيارات العالمية الواسعة، ويُتنبأ به تقليدياً بالنماذج العالمية منخفضة الدقة (مثل ECMWF-ENS) التي تغطي الكوكب كله.
- الشدة: تحكمها عمليات دقيقة داخل نواة الإعصار نفسها، وتحتاج نماذج محلية عالية الدقة (مثل HWRF) تستهلك طاقة حوسبية هائلة وتغطي مساحات صغيرة.
فريق WeatherNext في Google DeepMind وGoogle Research يصف في منشوره الرسمي كيف جسر نموذجه هذه المقايضة: نموذج واحد يعالج المسار والشدة معاً، ويحقق دقة قياسية في كليهما — وهو ما لم تحققه الأنظمة التقليدية المبنية على معادلات فيزيائية الجو مباشرة.
ما هو WeatherNext؟
WeatherNext عائلة أنظمة تنبؤ جوي بالذكاء الاصطناعي مبنية على شبكات FGN (Functional Generative Networks) تنتج تنبؤات مجموعية (ensemble) — أي عدة سيناريوهات محتملة بدل سيناريو واحد. النقطة الأهم للقارئ العملي:
- السرعة: تنبؤ 15 يوماً كامل يُنجز في أقل من دقيقة على معالج TPU واحد. قارن ذلك بالساعات التي تحتاجها المراكز التقليدية على أجهزة عملاقة.
- المجموعة: توسّع عدد أعضاء المجموعة من 50 عضواً في نسخة العام الماضي إلى 1000 عضو — أي ألف سيناريو لتقدير درجة عدم اليقين، وهو جوهر التنبؤ الجاد بالأعاصير.
- البيانات: دُرّب النموذج على قرابة 20 تيرابايت من بيانات الغلاف الجوي، مع قاعدة بيانات IBTrACS التي تضم نحو 5000 إعصار تاريخي.
- الدقة المكانية: 28×28 كيلومتراً — أي أخشن بمئة مرة من النماذج التقليدية، ومع ذلك يتفوق عليها في مقاييس الأعاصير الحاسمة. الدقة الخشنة ليست عيباً هنا بل دليل على أن النموذج تعلّم «فيزياء» الأعاصير لا حفظ تفاصيلها.
المصدر: Google DeepMind
المصدر: Google DeepMind
الأرقام الموثقة من البحث المنشور في Nature
البحث (s41586-026-10953-2، أول المؤلفين المدرجين Ferran Alet) قُيّم على أعاصير مواسم 2023 و2024، وجاءت النتائج كما يلي من المنشور الرسمي:
- خطأ المسار بعد 3 أيام: نحو 100 كيلومتر فقط — متفوقاً على نظام ECMWF-ENS الأوروبي المرجعي.
- خطأ الشدة بعد 3 أيام: نحو 11 عقدة (knot) — متفوقاً على نظام HWRF المتخصص في الأعاصير.
- بنية الرياح: دقة قياسية في شكل حقل الرياح حول الإعصار، وهو ما يهم تقدير مناطق الخطر الفعلية لا مركز العاصفة فقط.
- مكسب الإنذار المبكر: أكثر من يوم كامل (24 ساعة) من التقدم — تنبؤ ثلاثة أيام الآن يوازي ما كانت النماذج تحققه في يومين. بتعبير الفريق: مكسب يعادل عقداً كاملاً من التقدم بعبارات الأرصاد.
لوضع الأرقام في سياق إنساني: يشير المنشور إلى أن الأعاصير الاستوائية تسببت خلال الخمسين عاماً الماضية في أكثر من 700 ألف وفاة وخسائر تتجاوز 1.4 تريليون دولار. كل ساعة إنذار مبكر إضافية تنقذ أرواحاً وتقلل تكاليف الإخلاء عشوائي الدقة.
اختبار النار: إعصار ميليسا 2025
أقوى دليل عملي جاء في الموسم السابق: تعاون الفريق مع المركز الوطني للأعاصير الأمريكي (NHC) ومعهد CIRA ومكتب الأرصاد البريطاني (UK Met Office). خلال موسم 2025 ساعد النموذج NHC في التنبؤ بالتعزيز السريع لإعصار ميليسا (Hurricane Melissa) وبرّه في جامايكا قبل وقوعه، بما أتاح إنذاراً مسبقاً. هذه ليست تجربة مخبرية بل استخدام تشغيلي في أخطر أنواع الأحداث الجوية.
كيف يعمل النموذج تحت الغطاء؟
لفهم لماذا هذا النموذج مختلف، يحتاج القارئ فكرة عن آليته. النماذج التقليدية تحل معادلات ديناميكا الموائع الجوية خطوة بخطوة على شبكة ثلاثية الأبعاد تغطي الكوكب — عملية تستهلك أضخم أجهزة الحوسبة في العالم. أما WeatherNext فيستخدم شبكات FGN التوليدية الوظيفية: تعلّم النموذج من عشرين تيرابايت من بيانات إعادة التحليل التاريخية «كيف يبدو الغد انطلاقاً من اليوم» مباشرة، دون حل المعادلات صراحة.
النتيجة العملية لهذا الفارق مزدوجة:
- الكلفة: محاكاة يوم كامل من التنبؤات تستغرق دقيقة واحدة على معالج TPU واحد بدل ساعات على جهاز عملاق. هذا وحده يغير اقتصاديات التشغيل لأي جهة أرصاد، خاصة في الدول النامية التي لا تملك أجهزة عملاقة.
- السيناريوهات: رخصة التشغيل هي ما سمح بتوسيع المجموعة إلى 1000 عضو. في عالم الأعاصير، متوسط سيناريو واحد خطر حقيقي؛ ألف سيناريو تعطي توزيعاً احتمالياً يقول لك «احتمال 30% أن يمر الإعصار على بعد 100 كم من صلالة» — وهو جوهر قرار الإخلاء.
ويبقى التفوق الأدق: النموذج رغم شبكته الخشنة (28 كم) تفوق في بنية الرياح — أي شكل حقل الرياح حول العاصفة — لأنه تعلم من 5000 إعصار تاريخي في IBTrACS أنماط النمو والت decay التي تربط بيئة الإعصار بسلوكه.
من GraphCast إلى WeatherNext: خريطة الطريق التي أوصلت هنا
هذا الإنجاز ليس قفزة معزولة. مسار Google في الأرصاد بالذكاء الاصطناعي بدأ علنياً بنموذج GraphCast (التنبؤ العالمي الحتمي)، ثم GenCast (النسخة المجموعية)، وصولاً إلى WeatherNext 2 ثم هذا الإعلان بنموذج الأعاصير المتخصص الموثق في Nature. كل جيل ورث من سابقه فكرة أن الشبكات العصبية تتعلم الحالة الجوية من البيانات، وأضاف طبقة تخصص أعلى. الرسالة لمن يبني قدرة تنبؤ إقليمية: المنظومة كلها — من النموذج العالمي إلى نموذج الأعاصير إلى النسخة المصغرة — متاحة اليوم مفتوحة المصدر، وهي منظومة متكاملة لا أجزاء متناثرة.
كيف تبدأ عملياً؟ دليل سريع
- للمشاهدة: افتح أداة Weather Lab ضمن Google Earth AI وشاهد خرائط التنبؤ المجموعية الحية.
- للتجربة التقنية: استنسخ مستودع google-deepmind/weathernext من GitHub، وابدأ بدفتر Colab المجاني لنسخة WeatherNext 2-mini التي تعمل على معالج TPU واحد.
- للتقييم البحثي: حمّل بيانات IBTrACS التاريخية لأعاصير بحر العرب (جونو، شاهين، تيج…) وقس أخطاء المسار والشدة للنموذج عليها، ثم قارنها بمخرجات ECMWF للأحداث نفسها.
- لجهات الأرصاد: النموذج مرشح ممتاز لتشغيل «نموذج دعم» جنباً إلى جنب مع الأنظمة التشغيلية القائمة وتقييم قيمته المضافة على مدى موسم كامل قبل أي قرار اعتماد.
ماذا يعني هذا للخليج والوطن العربي؟
في خطوة لا تقل أهمية عن النتائج، نشر الفريق الشيفرة والأوزان على GitHub (المستودع google-deepmind/weathernext)، وتشمل:
- WeatherNext 2: النموذج العالمي للتنبؤ الجوي.
- WeatherNext Cyclones: نموذج الأعاصير محل هذا الإعلان.
- WeatherNext 2-mini: نسخة أخشن (دقة 111×111 كيلومتراً) تعمل على معالج TPU واحد عبر دفتر Colab مجاني.
ويمكن لأي مشاهد متابعة الخرائط عبر أداة Weather Lab المنعشة ضمن Google Earth AI. ترجمة ذلك لجهات الأرصاد والجامعات في منطقتنا: لا حاجة لبناء نموذج من الصفر ولا لعقد اتفاقية ترخيص — النموذج متاح للدراسة والتقييم والتخصيص فوراً.
ماذا يعني هذا للخليج والوطن العربي؟
- بحر العرب ممر أعاصير فعلي: جونو (2007)، ولوان/ميكالا (2018)، وشاهين (2021)، وتيج (2023) كلها ضربت أو هددت عُمان واليمن وإيران وسواحل شرق أفريقيا. تحسّن دقة المسار بمقدار عشرات الكيلومترات يترجم مباشرة إلى قرارات إخلاء أدق في مسقط وصلالة والمهرة.
- فرصة سيادية للأرصاد العربية: الهيئة العامة للأرصاد العُمانية والهيئة السعودية للأرصاد ومراكز مماثلة تستطيع اليوم تقييم WeatherNext Cyclones على أعاصير المنطقة التاريخية (IBTrACS يضمها) وقياس جدواه محلياً — بلا كلفة ترخيص.
- البحث الأكاديمي العربي: جامعات المنطقة تملك الآن نموذجاً حديثاً مفتوحاً بمستوى Nature لدراسات المناخ والأعاصير الإقليمية، بدل الاكتفاء ببيانات مخرجات أنظمة مغلقة.
- التأمين وإدارة المخاطر: شركات التأمين في الخليج تبني نماذج أخطار على بيانات الأعاصير؛ مجموعات الألف سيناريو تمنحها توزيعاً احتمالياً أغنى لتسعير المخاطر في سواحل عُمان والإمارات.
- البنية التحتية الحساسة: مطارات صحار ومسقط الدوليين، وموانئ الدقم وصحار وصلالة، وخطوط الشحن في بحر العرب — كلها مستفيدة من إنذار أبكر بمكاسب 24 ساعة.
مقارنة سريعة
| المعيار | WeatherNext Cyclones | ECMWF-ENS (تقليدي عالمي) | HWRF (تقليدي متخصص) |
|---|---|---|---|
| خطأ المسار 3 أيام | ~100 كم (الأفضل) | مرجع المقارنة | أضعف في المسار |
| خطأ الشدة 3 أيام | ~11 عقدة (الأفضل) | أضعف في الشدة | مرجع المقارنة |
| زمن تنبؤ 15 يوماً | أقل من دقيقة على TPU | ساعات على أجهزة عملاقة | غير معمول عالمياً |
| المسار + الشدة معاً | نعم | مقايضة | مقايضة |
| الافتح للمستخدم | شيفرة + أوزان + Colab مجاني | مخرجات بترخيص | مخرجات محدودة |
حدود يجب ذكرها بأمانة
- ليس بديلاً عن التحذيرات الرسمية: المنشور نفسه يؤكد أن التحذيرات الرسمية تصدر عن «وكالتك للأرصاد المحلية أو خدمة الطقس الوطنية» — WeatherNext أداة دعم قرار لا مصدر إنذار رسمي.
- الدقة الخشنة: 28 كم لا تحلل نواة الإعصار بالتفصيل الذي تقدمه النماذج المحلية عالية الدقة؛ التفوق موثق في المقاييس الإجمالية (مسار/شدة/بنية رياح) لا في كل حالة فردية.
- التقييم على 2023–2024: الأداء موثق على موسمين؛ مواسم المنطقة العربية تحتاج تقييماً محلياً مستقلاً قبل الاعتماد التشغيلي.
- لا واجهة API رسمية معلنة: الوصول عبر GitHub وWeather Lab، وليس خدمة تشغيل مدفوعة جاهزة بعد.
السياق الأوسع: الذكاء الاصطناعي يعيد رسم اقتصاديات الأرصاد
قصة WeatherNext جزء من تحول أكبر يستحق أن يفهمه صانع القرار العربي. لعقود كان التنبؤ الجوي العالمي احتكاراً فعلياً لعدد محدود من المراكز تمتلك أجهزة عملاقة — ECMWF الأوروبي، وNOAA الأمريكي، ومراكز مماثلة. النماذج التوليدية التدريبية كسرت هذا الاحتكار من جذره: النموذج يُدرَّب مرة واحدة بكلفة باهظة، لكن تشغيله بعد ذلك رخيص لدرجة تسمح بدقيقة واحدة وTPU واحد.
التبعات للمنطقة واضحة: لأول مرة تستطيع دولة عربية — لا تملك جهازاً عملاقاً ولا عقوداً مع مراكز عالمية — تشغيل منظومة تنبؤ بعمق 15 يوماً ومجموعات ألف سيناريو، وبنيتها التحتية مجرد اشتراك سحابي. الفجوة المتبقية لم تعد فجوة حوسبة بل فجوة كفاءات: من يبني فريقاً يفهم هذه النماذج ويخصصها لمنطقته أولاً، يملك أداة تنبؤ سيادية قبل جيرانه.
ولأن الأعاصير لا تحترم الحدود، الطريق الأمثل إقليمي بطبيعته: تعاون عُماني-يمني-سعودي على تقييم النموذج وتشغيله لحوض بحر العرب قد ينتج قدرة إنذار إقليمية أدق من أي جهد منفرد — والأكواد جاهزة، والبيانات التاريخية (IBTrACS) عامة، والكلفة لم تعد عذراً.
أداة Weather Lab: النموذج أمام عينيك
الطريق الأسرع لفهم قيمة النموذج هو رؤيته يعمل. حدّث فريق DeepMind أداة Weather Lab — وهي جزء من منظومة Google Earth AI — لتعرض خرائط التنبؤ المجموعية الحية للنموذج: ألف مسار محتمل للإعصار مرسومة دفعة واحدة، تتكاثف حيث يرتفع الاحتمال وتتفرق حيث يزيد عدم اليقين. للمسؤول في جهة دفاع مدني، هذه الصورة وحدها تعلّم شيئاً لا تعلّه الأرقام: أين يتركز الخطر فعلاً وأين يتسع نطاق الاحتمالات مع تقدم أيام التنبؤ.
والأهم أن الأداة ليست شاشة عرض فقط؛ إنها واجهة عاملة لنموذج مفتوح المصدر يمكن تشغيل نسخته المصغرة على Colab مجاناً — أي أن الفجوة بين «مشاهدة النتائج» و«بناء قدرة محلية فوقها» شبه معدومة تقنياً، وبقيت فقط قراراً مؤسسياً.
الأسئلة الشائعة
ما هو WeatherNext Cyclones بالضبط؟
نموذج ذكاء اصطناعي من Google DeepMind وGoogle Research يتنبأ بمسار الأعاصير الاستوائية وشدتها وبنية رياحها بدقة قياسية موثقة في بحث منشور بدورية Nature في أغسطس 2026.
هل يمكنني استخدام النموذج مجاناً؟
نعم، الشيفرة والأوزان منشورة على GitHub في مستودع google-deepmind/weathernext، وهناك نسخة WeatherNext 2-mini تعمل على معالج TPU واحد عبر دفتر Colab مجاني.
كم ساعة إنذار مبكر أضاف النموذج؟
أكثر من 24 ساعة كاملة: تنبؤ اليوم بثلاثة أيام يوازي ما كانت النماذج السابقة تحققه في يومين، وهو ما يوازي عقداً من التقدم في مجال الأرصاد.
هل يتنبأ بأعاصير بحر العرب والخليج؟
النموذج عالمي ويغطي الأعاصير المدارية في كل الأحواض بما فيها بحر العرب، وهو مجال تقييم واعد لجهات الأرصاد في عُمان واليمن والسعودية.
هل يستبدل مراكز الأرصاد الرسمية؟
لا، المنشور الرسمي نفسه يؤكد أن التحذيرات الرسمية تبقى مسؤولية وكالات الأرصاد الوطنية؛ النموذج أداة دعم لها.
الخلاصة
بينما يتسابق العالم على نماذج المحادثة والبرمجة، حقق فريق WeatherNext في DeepMind اختراقاً من النوع الذي يقاس بالأرواح: يوم إنذار إضافي في عالم الأعاصير. ولمنطقة تعيش على ضفاف ممر أعاصير نشط، الخبر الجيد أن التقنية ليست خلف أبواب مغلقة — إنها على GitHub، تنتظر من يقيّمها على جونو وشاهين وتيج ويبني عليها إنذاراً عربياً أدق.
المصادر
- منشور Google DeepMind الرسمي عن WeatherNext والأعاصير
- المستودع الرسمي على GitHub
- بحث Nature المرتبط (s41586-026-10953-2)
- أدوات الذكاء الاصطناعي على Truescho
اقرأ أيضاً: Gemini 3.7 Flash من Google: نموذج البرمجة والوكلاء وAMIE من Google: استشارات طبية بالفيديو
