WeatherNext من Google DeepMind: ذكاء اصطناعي يحدث ثورة في التنبؤ بالأعاصير الاستوائية

لكل من عاش تحت وطأة إعصار استوائي — أو تابع أخباره من بعيد — يدرك تماماً مدى أهمية ساعة واحدة إضافية من الإنذار المبكر. في العقد الماضي، ضربت أعاصير مدمرة سواحل عُمان واليمن وخليج البنغال، وأحدثت دماراً اقتصادياً وبشرياً واسع النطاق. اليوم، تقف شركة Google DeepMind على أعتاب حقبة جديدة في الأرصاد الجوية، وأطلقت نموذجاً ثورياً اسمه WeatherNext Cyclones للتنبؤ بالأعاصير الاستوائية بدقة غير مسبوقة وسرعة فائقة، ونشرت نتائجه في مجلة Nature العلمية بتاريخ 6 أغسطس 2026.

في هذا المقال المفصّل، سنغوص في ما يعنيه هذا الإنجاز، وكيف يعمل تقنياً، وماذا يعني عملياً للقرّاء العرب — خصوصاً في منطقة الخليج العربي وبحر العرب التي تتأثر بشكل مباشر بموسم الأعاصير.

لماذا WeatherNext مهم الآن؟

الأعاصير الاستوائية (Tropical Cyclones) هي من أكثر الظواهر الجوية تدميراً على وجه الأرض. تقدّر منظمة الصحة العالمية أن الأعاصير تسببت في خسائر اقتصادية تتجاوز 1.4 تريليون دولار خلال الخمسين عاماً الماضية، وتشرد ملايين البشر سنوياً في جنوب آسيا والشرق الأوسط ومنطقة الكاريبي.

التنبؤ التقليدي بالأعاصير يعتمد على نماذج ديناميكية حرارية (Numerical Weather Prediction - NWP) تحلّ معادلات فيزياء الغلاف الجوي عددياً. هذه النماذج — مثل ECMWF الأوروبي وGFS الأمريكي — تتطلب أجهزة خارقة (Supercomputers) وتعمل لساعات لإنتاج تنبؤ واحد. ورغم تحسنها المستمر منذ السبعينيات، إلا أنها بطيئة ومكلفة وتصطدم بحدود فيزيائية في دقتها.

هنا يأتي دور الذكاء الاصطناعي. بدلاً من حلّ المعادلات الفيزيائية مباشرة، يتعلّم نموذج الذكاء الاصطناعي الأنماط من عقود من البيانات التاريخية. والنتيجة؟ تنبؤات أسرع، وأحياناً أدق، بكفاءة موارد أقل بكثير.

WeatherNext Cyclones من Google DeepMind يمثّل هذا التحوّل، وقد أثبت تفوّقه على أفضل النماذج التقليدية في ثلاثة محاور حاسمة:

1. مسار الإعصار (Track) — أين سيتجه؟
2. شدّة الإعصار (Intensity) — كم سرعة الرياح القصوى؟
3. بنية الرياح (Wind Structure) — كيف تتوزّع الرياح حول مركز الإعصار؟

الإنجاز الحقيقي: يوم كامل إضافي من الدقة

أبرز ما توصل إليه البحث المنشور في Nature هو أن WeatherNext Cyclones يمنح يوماً إضافياً من الدقة المفيدة. ماذا يعني هذا بالضبط؟

تنبؤ نموذج WeatherNext لـ 3 أيام يضاهي دقة ما كانت تقدّمه النماذج التقليدية لتنبؤ يومين فقط. هذه القفزة — المعروفة في الأرصاد الجوية باسم "عقد من التقدّم" (a decade's worth of progress) — تعني أن المدن الساحلية يمكنها إخلاء السكان مبكراً، وأن فرق الطوارئ لديها وقت أطول للاستعداد، وأن شركات التأمين والطيران تستطيع اتخاذ قرارات أفضل.

في عالم إدارة الكوارث، 24 ساعة إضافية تصنع فارقاً بين حياة وموت. وفقاً لدراسات سابقة من البنك الدولي، كل ساعة إنذار مبكر إضافية تقلّل من الخسائر الاقتصادية بنسبة تصل إلى 7%، وتنقذ أرواحاً لا تُحصى في البلدان النامية التي تفتقر إلى بنية تحتية قوية لمواجهة الكوارث.

السرعة الفائقة: 15 يوماً في أقل من دقيقة

واحدة من أكثر الأرقام إثارة في البحث هي سرعة المعالجة. يمكن لـ WeatherNext Cyclones إنتاج تنبؤ لمدة 15 يوماً كاملاً في أقل من دقيقة واحدة على معالج TPU واحد (Tensor Processing Unit — الشرائح المتخصصة من Google للذكاء الاصطناعي).

للتبسيط: الأجهزة الخارقة التقليدية قد تستغرق ساعات لإنتاج تنبؤ مماثل باستخدام النماذج الديناميكية. هذا الفارق الهائل في السرعة يفتح آفاقاً جديدة:

• تحديثات أكثر تكراراً: بدلاً من 4 تحديثات يومية، يمكن إعادة تشغيل النموذج كل ساعة كلما دخلت بيانات جديدة (رادار، أقمار صناعية، بالونات استشعار).
• تنبؤات احتمالية (Ensemble Forecasts): يمكن تشغيل النموذج عشرات أو مئات المرات بسيناريوهات مختلفة لقياس "نطاق الاحتمالات" ودرجة عدم اليقين — وهي ميزة حرجة لمديري الكوارث الذين يحتاجون لمعرفة أسوأ سيناريو ممكن.
• وصول أوسع: دولة نامية لا تملك أجهزة خارقة بمليارات الدولارات يمكنها نظرياً تشغيل نموذج مماثل على خوادم سحابية بأسعار معقولة.

كيف يعمل WeatherNext Cyclones تقنياً؟

1. بيانات التدريب: 20 تيرابايت + 5000 إعصار

اعتمد فريق DeepMind على مصدرين رئيسيين للبيانات:

الأول: ERA5 من مركز ECMWF الأوروبي — وهو ما يُعرف بـ "إعادة التحليل" (Reanalysis)، أي إعادة بناء حالة الغلاف الجوي تاريخياً باستخدام كل البيانات المتاحة (أقمار صناعية، محطات أرضية، سفن، طائرات، بالونات) لتوليد سجلّ منسّق بدقة عالية. حجم البيانات المستخدمة في التدريب بلغ 20 تيرابايت، تغطي عقوداً من حالات الطقس العالمية بدقة شبكية تصل إلى 0.25 درجة (حوالي 25 كم).

الثاني: IBTrACS (International Best Track Archive for Climate Stewardship) — وهو أرشيف عالمي يضم بيانات تتبّع أكثر من 5000 إعصار استوائي تاريخي، بدءاً من أواخر القرن التاسع عشر وحتى اليوم. لكل إعصار، يسجّل الأرشيف: المسار، سرعة الرياح القصوى، الضغط الجوي المركزي، القطر، والأضرار الناجمة.

هذا المزيج بين البيانات الجوية الشاملة (ERA5) والبيانات المتخصصة بالأعاصير (IBTrACS) أعطى النموذج فهماً مزدوجاً: السياق الجوي العام + السلوك الخاص بالأعاصير.

2. المعمارية: تعلّم عميق متقدّم

رغم أن DeepMind لم تكشف عن كل تفاصيل المعمارية في ورقة Nature، إلا أن المبادئ العامة واضحة:

• شبكات عصبية عميقة تتعلم ربط الحالة الجوية الحالية (ضغط، حرارة، رطوبة، رياح في طبقات متعددة) بمسار الإعصار وشدّته المستقبلية.
• آلية انتباه (Attention Mechanism) تتيح للنموذج التركيز على المناطق الأكثر أهمية (محيط مركز الإعصار، التيارات النفّاثة، حرارة سطح البحر).
• تدريب متعدد المهام (Multi-task Learning): النموذج يتعلّم التنبؤ بالمسار والشدّة وبنية الرياح في آن واحد، مما يعزّز فهمه العام لديناميكية الإعصار.

3. التشغيل: كفاءة عالية

بفضل التدريب المكثف، أصبح التشغيل الفعلي خفيفاً نسبياً. معالج TPU واحد (شريحة صغيرة بحجم اليد) يكفي لإنتاج تنبؤ 15 يوماً في أقل من دقيقة. هذا يُقارن بمراكز بيانات بأكملها تعمل لساعات للنماذج التقليدية.

الحالة الحقيقية: إعصار ميليسا 2025

أقوى دليل على فعّالية النموذج جاء من الحقل الواقعي. في موسم 2025، شكّل إعصار ميليسا (Hurricane Melissa) حدثاً تاريخياً — حيث تنبأ WeatherNext Cyclones بـ اشتداد سريع للإعصار وتحوله نحو جزيرة جامايكا (Jamaica)، وهو ما ساعد المركز الوطني للأعاصير (NHC) على إصدار تحذير مبكر.

هذا التنبؤ المبكر أعطى فرق الطوارئ على الأرض وقتاً حرجاً للاستعداد، ومنع خسائر أكبر في الأرواح. وقد وصفت NHC هذا التنبؤ بأنه «تاريخي».

هذه الحالة تُجسّد كيف يمكن للذكاء الاصطناعي أن يتفوّق على النماذج الفيزيائية في حالات الأنماط غير المعتادة — ربما لأنه تعلّم من 5000 إعصار سابق شمل حالات نادرة وشاذّة.

ماذا يعني هذا لك: أهميته للخليج العربي ومنطقة بحر العرب

قد يظن القارئ في الرياض أو دبي أو الدوحة أن الأعاصير الاستوائية شأن بعيد عن منطقته. لكن الحقيقة مختلفة تماماً. بحر العرب وخليج عُمان يشهدان موسماً نشطاً للأعاصير يبدأ عادة في مايو/يونيو وينتهي في نوفمبر، وتتأثر به سواحل عُمان واليمن بشكل مباشر، وأحياناً الإمارات وإيران.

أحداث مدمرة في المنطقة

إعصار سالالا (Salalah / Mekunu) 2018: ضرب محافظة ظفار في عُمان في مايو 2018 بسرعة رياح تجاوزت 170 كم/ساعة. تسبب في وفاة العشرات، وتشريد آلاف، وخسائر اقتصادية قُدّرت بمئات الملايين من الدولارات. ميناء صلالة — أحد أكبر موانئ الشرق الأوسط — توقف عن العمل لأيام.

إعصار هيكّا (Hikka) 2021: ضرب ساحل عُمان في سبتمبر 2021، وكان متوقعاً في البداية أن يتلاشى في البحر، لكنه فاجأ باتجاهه نحو الساحل. ولو كان WeatherNext متاحاً حينها، لربما تمكّن من التنبؤ بالتحوّل بشكل أدق.

إعصار تيج (Tej) 2023: ضرب أرخبيل سقطرى اليمني وسواحل عُمان في أكتوبر 2023، وأحدث فيضانات واسعة. هذه الأعاصير أصبحت أكثر تكراراً في بحر العرب، ويعزو بعض العلماء ذلك إلى تغيّر المناخ وارتفاع حرارة سطح البحر.

لماذا يهمّ هذا منطقياً؟

1. الإنذار المبكر ينقذ الأرواح: في عُمان واليمن، حيث توجد مجتمعات ساحلية معرّضة بشدة، يوم إضافي من الإنذار يعني إخلاء أكثر تنظيماً، ونقل أسرع، وتقليل وفيات.
2. حماية البنية التحتية: موانئ الشرق الأوسط (صلالة، صحار، الفجيرة، بندر عباس) تتعامل مع مليارات الدولارات من البضائع. التنبؤ الدقيق يمكّن من إخلاء الحاويات وتأمين السفن في الوقت المناسب.
3. قطاع النفط والغاز: منصات النفط والغاز في بحر العرب والخليج العربي معرّضة بشدة. شركات مثل PDO وOQ وعُمان للغاز الطبيعي المسال تحتاج لتنبؤات دقيقة لإجلاء العمال وإيقاف الإنتاج بأمان.
4. التأمين وإدارة المخاطر: شركات التأمين الإقليمية تحتاج لبيانات دقيقة لتسعير وثائق التأمين على الممتلكات الساحلية.
5. السياحة: ظفار (عُمان) وجهة سياحية كبرى، خصوصاً في موسم الخريف (الخريف الموسمي). تحسين التنبؤ يحمي هذا القطاع الحساس.

الوصول العربي للنموذج

الأخبار السارّة هي أن WeatherNext Cyclones مفتوح المصدر (Open Source) — أي متاح مجاناً لأي باحث أو مؤسسة. الجامعات العربية (مثل جامعة السلطان قابوس، وجامعة الملك عبدالله للعلوم والتقنية KAUST، وجامعة الإمارات) يمكنها تحميل النموذج وتطويعه للسياق المحلي.

كما أن Weather Lab التفاعلي على موقع DeepMind يسمح لأي شخص — بمن في ذلك الطلاب والمهتمون العرب — بتجربة النموذج ومعرفة تنبؤاته الحالية للأعاصير النشطة في جميع أنحاء العالم، بما في ذلك بحر العرب.

مقارنة سريعة: WeatherNext مقابل النماذج التقليدية والذكاء الاصطناعي السابق

النقطة الجوهرية: النماذج التقليدية ليست سيئة — بل بالعكس، ECMWF الأوروبي هو الأفضل في العالم للتنبؤ العام بالطقس. لكن الأعاصير الاستوائية تمثّل تحدياً خاصاً لأن ديناميكيتها غير خطية ومعقّدة (تكوّن العين، الجدار المحيط بها، التفاعل مع المحيط). وهنا يتألّق التعلّم العميق، لأنه قادر على التقاط هذه الأنماط المعقّدة من البيانات التاريخية بشكل أفضل من المعادلات الفيزيائية التقريبية.

أما مقارنة بنماذج الذكاء الاصطناعي السابقة (مثل Pangu-Weather من Huawei وGraphCast من DeepMind نفسها)، فالفرق هو أن تلك النماذج صُمّمت للطقس العام ولم تتخصّص في الأعاصير. WeatherNext Cyclones هو أول نموذج ذكاء اصطناعي متخصّص بالكامل في الأعاصير الاستوائية، ويتضح ذلك في تفوّقه على دقة "الشدّة" التي عادة ما تكون نقطة ضعف النماذج الأخرى.

حدود النموذج: ما لا يستطيع WeatherNext فعله بعد

الإنصاف العلمي يقتضي أن نذكر أن لكل نموذج حدوداً، وWeatherNext Cyclones ليس استثناءً:

1. التنبؤ بالتكوّن الأولي للإعصار (Genesis)

النموذج يتفوّق في تتبّع الإعصار بعد تكوّنه، لكن التنبؤ بـ"متى وأين" سيتكوّن إعصار جديد من منطقة ضغط منخفض عشوائية في المحيط — لا يزال تحدياً. النماذج التقليدية لا تزال أفضل هنا لأنها تحاكي الفيزياء من الصفر.

2. الفيضانات وهطول الأمطار

التنبؤ بكمية المطر التي سيهطلها الإعصار عند الارتطاب باليابسة معقّد جداً، ويتطلب دقّة شبكية أعلى بكثير مما يوفّره النموذج حالياً. النماذج الإقليمية فائقة الدقة (Mesoscale Models) مثل WRF لا تزال أفضل لتوقّع الفيضانات المحلية.

3. العواصف المدارية الضعيفة

النموذج تدربّ أساساً على أعاصير بلغت شدة معينة، وقد يكون أقل دقة مع الأنظمة الضعيفة أو المتوسطة التي قد تتطوّر فجأة إلى إعصار قوي (Rapid Intensification).

4. تغيّر المناخ

النموذج تعلّم من بيانات تاريخية تمتد لعقود. لكن مع ارتفاع حرارة المحيطات، قد تظهر أنماط جديدة لم يرها النموذج من قبل. هذا "الانحياز التاريخي" (Historical Bias) مشترك بين كل نماذج الذكاء الاصطناعي، ويحتاج لمعالجة عبر إعادة التدريب الدوري ببيانات حديثة.

5. لا يحلّ محل الخبرة البشرية

حتى مع نموذج مثالي، يبقى دور عالم الأرصاد الجوية البشري ضرورياً لتفسير النتائج، ودمجها مع معرفة محلية، واتخاذ القرار النهائي بشأن تحذيرات الإخلاء. النموذج أداة، وليس بديلاً عن الحكم البشري.

المصادر المفتوحة والتفاعل

قرار DeepMind بفتح مصدر WeatherNext Cyclones وWeatherNext 2 وWeatherNext 2-mini على GitHub هو قرار استراتيجي مهم. هذا يعني:

• أي باحث عربي يمكنه تحميل النموذج وتجربته مجاناً.
• الهيئات الوطنية للأرصاد في الدول العربية يمكنها دراسة إمكانية دمجه في أنظمتها.
• مجتمع المصادر المفتوحة سيحسّن النموذج ويطوّره باستمرار.

موقع Weather Lab التفاعلي (deepmind.google/science) يتيح لكل من يهتم — طالباً، معلّماً، صحفياً، أو مجرد فضولي — أن يستكشف تنبؤات النموذج الحالية للأعاصير حول العالم بشكل مرئي وجذّاب. هذه أداة تعليمية ممتازة للجامعات والمدارس العربية.

روابط ذات صلة:
- الورقة الأصلية في Nature: https://www.nature.com/articles/s41586-026-10953-2
- مدونة DeepMind الرسمية: https://deepmind.google/blog/weathernext-ai-model-achieves-breakthrough-in-forecasting-cyclones/
- Weather Lab التفاعلي: https://deepmind.google/science/
- مستودع GitHub: https://github.com/google-deepmind/weathernext

أسئلة شائعة

هل يمكن لـ WeatherNext التنبؤ بالأعاصير في الخليج العربي وبحر العرب؟

نعم. النموذج مدربّ على بيانات عالمية شاملة، ويغطي بحر العرب والخليج كجزء من شبكته. وهو يتفوّق في تتبّع مسار الأعاصير في هذه المناطق، خصوصاً تلك التي تتشكّل في بحر العرب وتتجه نحو عُمان أو اليمن. الفائدة العملية للدول العربية تتجلى في الإمكانية المبكرة للإنذار واتخاذ قرارات الإخلاء.

كيف أقارن دقة WeatherNext بنماذج مثل ECMWF؟

الطريقة الأبسط هي زيارة موقع Weather Lab التفاعلي من DeepMind، حيث يعرض النموذج تنبؤاته إلى جانب نماذج أخرى للمقارنة. للمستخدم المتقدم، يمكن تحميل النموذج من GitHub وتشغيله على بيانات حقيقية ومقارنة النتائج بالمصادر الرسمية للأرصاد. ورقة Nature تقدّم تحليلاً تفصيلياً بالأرقام والمقاييس الإحصائية القياسية في هذا المجال.

ما الفرق بين WeatherNext Cyclones وWeatherNext 2؟

WeatherNext 2 هو نموذج عام للتنبؤ بالطقس العالمي (كل المتغيّرات: حرارة، ضغط، رطوبة، رياح) يشبه GraphCast وPangu-Weather. أما WeatherNext Cyclones فهو نموذج متخصّص في الأعاصير الاستوائية فقط، ومدرّب ببيانات IBTrACS الإضافية. الأفضلية تظهر في التنبؤ بالشدّة وبنية الرياح، وهي المحاور التي يعاني فيها النموذج العام. WeatherNext 2-mini هو نسخة أخف وأسرع للاستخدامات منخفضة الموارد.

هل ستحلّ نماذج الذكاء الاصطناعي محلّ علماء الأرصاد الجوية؟

لا. الذكاء الاصطناعي أداة قوية تساعد علماء الأرصاد، لكنها لا تُلغي الحاجة إليهم. عالم الأرصاد البشري يجمع تنبؤات النماذج المختلفة، ويُدخل معرفته المحلية بالتضاريس والتيارات البحرية، ويقيّم مدى موثوقية كل سيناريو، ويتواصل مع صنّاع القرار والإعلام. النموذج يقدّم توقّعاته بأرقام، لكن التفسير والقرار يبقى بشرياً. التاريخ أثبت أن الاعتماد على نموذج واحد فقط — أيّاً كان — خطأ فادح.

هل يحتاج النموذج لتحديثات دورية، وكيف يتكيّف مع تغيّر المناخ؟

نعم. مثل أي نموذج تعلّم آلي، يحتاج WeatherNext لإعادة تدريب دورية بأحدث البيانات ليبقى دقيقاً. هذا مهم بشكل خاص مع تغيّر المناخ، لأن أنماط الأعاصير تتغيّر (أكثر شدّة، أسرع تكوّناً، في مواقع غير اعتيادية). DeepMind أصدرت النماذج السابقة (WeatherNext 2) قبل Cyclones، وتواصل تحسينها. إصدارها كمصدر مفتوح يمكّن المجتمع العلمي من المساهمة في تحسينها وإعادة تدريبها ببيانات إقليمية.

خلاصة: نحو مستقبل أكثر أماناً

إطلاق WeatherNext Cyclones يمثّل لحظة فارقة في تاريخ الأرصاد الجوية. لأول مرة، نموذج ذكاء اصطناعي متخصّص يتفوّق بشكل واضح على أفضل النماذج الفيزيائية في التنبؤ بالأعاصير الاستوائية، ويفعل ذلك بسرعة وكفاءة غير مسبوقة.

بالنسبة للمنطقة العربية — خصوصاً الخليج وبحر العرب حيث تتكرّر الأعاصير المدمّرة — هذا الإنجاز يأتي في الوقت المناسب. اليوم الإضافي من الدقة الذي يوفّره النموذج قد يعني فارقاً حقيقياً: مدرسة تُخلى قبل العاصفة بيوم، ميناء يأمن بضائعه في الوقت المناسب، أسرة تعرف أن تنتقل لمنطقة آمنة قبل فوات الأوان.

لكن الأمر لا يتوقف عند التكنولوجيا. الفائدة الحقيقية تتحقق عندما تتكامل ثلاثة عناصر:

1. النموذج: WeatherNext Cyclones مفتوح المصدر ومتاح للجميع.
2. البنية التحتية: أنظمة إنذار مبكر فعّالة، وقنوات تواصل مع المواطنين، وخطط إخلاء مدروسة.
3. الإرادة المؤسسية: هيئات أرصاد وطنية قوية في الدول العربية تأخذ هذه التقنيات وتدمجها في عملها اليومي.

لحسن الحظ، دول مثل عُمان والإمارات والسعودية تستثمر بقوة في مراكز أرصاد متقدمة (مثل المركز الوطني للأرصاد في الإمارات، ومركز الإنذار المبكر Multi-Hazard في عُمان). توافر نماذج مثل WeatherNext مفتوحة المصدر يمكّن هذه المراكز من القفز إلى الأمام دون تكلفة باهظة.

أخيراً، لكل طالب أو باحث عربي يقرأ هذا المقال: المستقبل مفتوح أمامكم. الذكاء الاصطناعي ليس مجرد موضة تقنية، بل أداة لحلّ مشاكل حقيقية تلمس حياة الملايين. النموذج متاح على GitHub، والورقة البحثية منشورة في Nature، وكل ما تحتاجه لتبدأ هو فضول وإصرار. ربما يكون نموذج WeatherNext القادم — المخصّص لظواهر الشرق الأوسط — من صناعتكم أنتم.

للاطلاع على النموذج وتجربته مباشرة، زوروا:
- Weather Lab التفاعلي: https://deepmind.google/science/
- المستودع على GitHub: https://github.com/google-deepmind/weathernext
- الورقة في Nature: https://www.nature.com/articles/s41586-026-10953-2
- المدونة الرسمية: https://deepmind.google/blog/weathernext-ai-model-achieves-breakthrough-in-forecasting-cyclones/