پیش‌بینی وضع هوا با هوش مصنوعی؛ تحول Google در صنعت انرژی

شرکت Google با معرفی مدل WeatherNext 3، فناوری پیش‌بینی وضع هوا با هوش مصنوعی را در خدمت مدیریت شبکه‌های انرژی و نیروگاه‌های تجدیدپذیر قرار داد. این سیستم با ارائه برآوردهای ساعتی از تابش خورشید و وزش باد، ناترازی فزاینده عرضه و تقاضای برق را به حداقل می‌رساند.

تازه‎ترین مدل پیش‌بینی وضعیت هوای توسعه‌یافته در Google قادر است سرعت باد را در ارتفاع ۱۰۰ متری از سطح زمین—تقریبا هم‌ارتفاع یک توربین بادی مدرن—پیش‌بینی کند. این مدل همچنین میزان پوشش ابرها و شدت تابش نور خورشید به سطح زمین را برآورد کرده و داده‌های خود را به‌صورت ساعتی به‌روزرسانی می‌کند. در حال حاضر، معامله‌گران انرژی، اپراتورهای شبکه برق و توسعه‌دهندگان نیروگاه‌های بادی و خورشیدی برای دستیابی به چنین اطلاعاتی به شرکت‌های دیگر هزینه پرداخت می‌کنند؛ اما معرفی مدل WeatherNext 3 اکنون پای Google را به این بازار رقابتی باز کرده است.

Google DeepMind و Google Research این مدل را در تاریخ ۳ سپتامبر عرضه کردند. مدل مذکور هر ساعت یک پیش‌بینی سراسری در سطح جهان با تفکیک‌پذیری مکانی تا ۵ کیلومتر برای متغیرهای سطحی نظیر دما و رطوبت ارائه می‌دهد. نسخه پیشین یعنی WeatherNext 2 بر پایه شبکه‌ای ۲۵ کیلومتری عمل می‌کرد و هر ۶ ساعت یک‌بار به‌روزرسانی می‌شد. به گفته Google، هدف اصلی از افزودن این متغیرهای تازه در حوزه انرژی، کمک به اپراتورهای شبکه و توسعه‌دهندگان برای برآورد دقیق میزان برق تولیدی دارایی‌های بادی و خورشیدی و سپس تطبیق مؤثر آن با الگوی مصرف شبکه است.

بخش مصرف‌کننده و عمومی این رونمایی بیشترین بازتاب رسانه‌ای را به همراه داشته است؛ مدل WeatherNext 3 اکنون هسته پردازشی و تأمین‌کننده نتایج آب‌وهوایی در Google Search، اپلیکیشن Gemini، سرویس Google Maps و رابط برنامه‌نویسی تجاری Google Maps Platform Weather API است. با این حال، در پشت صحنه یک لایه سازمانی قرار دارد که از نظر تجاری به‌مراتب بااهمیت‌تر است. همین داده‌های پیش‌بینی را می‌توان در پلتفرم‌های BigQuery و Earth Engine جست‌وجو و تحلیل کرد یا به‌صورت یکجا و حجیم از Google Cloud Storage بارگیری نمود، بدون آنکه مشتری نیازی به استقرار، اجرا و پیکربندی هیچ مدلی در زیرساخت خود داشته باشد.

چرا بخش انرژی خریدار پیش‌بینی وضع هوا با هوش مصنوعی است؟

اپراتورهای شبکه در حال مدیریت سامانه‌ای هستند که پیش‌بینی وضعیت آن در هر دو سوی عرضه و تقاضا دشوارتر و پیچیده‌تر از گذشته شده است. در سمت تولید، منابع تجدیدپذیر اکنون سهم عمده ظرفیت‌های جدید را به خود اختصاص داده‌اند. گزارش چشم‌انداز شبکه برق آمریکا در سال ۲۰۲۶ منتشرشده توسط S&P Global Market Intelligence برآورد می‌کند که انرژی خورشیدی و ذخیره‌سازی انرژی، اصلی‌ترین منابع ظرفیت‌های جدید در سال جاری خواهند بود که از میان بیش از ۹۰ گیگاوات افزایش ظرفیت برنامه‌ریزی‌شده، به ترتیب ۵۱.۲ گیگاوات و ۲۵.۷ گیگاوات را تشکیل می‌دهند. برق خورشیدی و بادی به‌جای تطابق با تقاضای مصرف‌کنندگان، کاملا وابسته به شرایط جوی تولید می‌شود؛ بنابراین با اضافه شدن هر گیگاوات به ظرفیت تولید، نیاز به دقت در پیش‌بینی‌های کوتاه‌مدت حیاتی‌تر می‌شود.

در سمت مصرف، بار و تقاضای جدید عمدتا از جانب توسعه سامانه‌های هوش مصنوعی تحمیل می‌شود. نهاد S&P Global گسترش مراکز داده در سراسر آمریکای شمالی را عامل اصلی جهش اخیر در تقاضای برق می‌داند؛ مسئله‌ای که شرکت‌های خدمات شهری و توزیع برق را ناچار کرده است برآوردهای بار شبکه خود را به سمت بالا بازنگری کرده و ارقام را افزایش دهند. همچنین گزارش سال ۲۰۲۶ شرکت Deloitte درباره چشم‌انداز صنعت برق و خدمات شهری برآورد می‌کند که اوج بار تقاضا تا سال ۲۰۳۵ حدود ۲۶ درصد رشد خواهد کرد و تقاضای مراکز داده به‌تنهایی ممکن است به ۱۷۶ گیگاوات برسد؛ رقمی که پنج برابر سطح تقاضا در سال ۲۰۲۴ است.

هزینه اشتباه از آب درآمدن پیش‌بینی‌ها کاملا ملموس و سنگین است: اگر یک اپراتور میزان ورود برق بادی را کمتر از حد واقعی تخمین بزند، مجبور می‌شود در زمانی بسیار کوتاه و با هزینه‌ای گزاف، برق جایگزین را معمولا از نیروگاه‌های گازی در حالت آماده‌باش خریداری کند. اگر هم میزان تولید را بیش از حد برآورد کند، به مزارع بادی و خورشیدی غرامت پرداخت می‌شود تا توربین‌ها و پنل‌های خود را از مدار خارج کنند، چرا که شبکه ظرفیت پذیرش و انتقال برق تولیدی مازاد آن‌ها را ندارد. هر دو سناریو به‌شدت پرهزینه هستند و ریشه هر دو در نارسایی سیستم‌های پیش‌بینی نهفته است.

بازاری که Google به آن ورود می‌کند

فروش پیش‌بینی‌های وضع هوا به صنعت انرژی، تجارتی جاافتاده و پرسابقه است. شرکت‌هایی همچون Vaisala، Solcast، سامانه WindGEMINI از DNV و پلتفرم HyperWatch از IBM همگی در این حوزه به رقابت مشغول هستند. شرکت سوئیسی Jua نیز بازیگر دیگر این میدان است؛ شرکتی که ادعا می‌کند مدل EPT-2 آن با به‌روزرسانی ۲۴ بار در روز، از لحاظ دقت عملکردی فراتر از مدل Aurora متعلق به Microsoft و مدل پیشین DeepMind موسوم به GraphCast ارائه می‌دهد—در مقایسه با آنچه این شرکت بازه رایج چهار بار به‌روزرسانی در روز میان سایر رقبا توصیف می‌کند.

مزیت رقابتی Google، گستره نفوذ، مقیاس و یکپارچگی زیرساخت آن است. خروجی یک پیش‌بینی واحد، به‌طور هم‌زمان به‌شکل یک جدول در BigQuery، یک لایه داده در Earth Engine، یک رابط API در Google Maps Platform و پاسخ پیش‌فرض در Google Search پدیدار می‌شود. هیچ ارائه‌دهنده تخصصی دیگری از چنین گستره نفوذی برخوردار نیست و قابلیت به‌روزرسانی ساعتی Google نیز شکاف فرکانس به‌روزرسانی را که فروشندگان سنتی از آن برای متمایز ساختن خدمات خود استفاده می‌کردند، به‌طور کامل پوشش می‌دهد.

با این حال، بازیگران باسابقه این حوزه هنوز یک مزیت فنی کلیدی در دست دارند. موضع رسمی اعلام‌شده از سوی Jua این است که مدل‌های مبتنی بر قوانین فیزیک، مانند HRES متعلق به ECMWF، در شرایط آب‌وهوایی بسیار شدید و بی‌سابقه همچنان عملکرد بهتری نسبت به مدل‌های هوش مصنوعی صرفا داده‌محور ثبت می‌کنند؛ زیرا مدل‌های فیزیکی قواعد ناظر بر چگونگی جابه‌جایی انرژی و جرم در جو زمین را شبیه‌سازی می‌کنند، در حالی که مدل‌های هوش مصنوعی صرفا الگوها را از داده‌های پیشین یاد می‌گیرند. البته Jua محصولی مبتنی بر محدودیت‌های فیزیکی عرضه می‌کند و طبیعی است که چنین ادعایی در راستای منافع تجاری خود این شرکت باشد. اما از سوی دیگر، این استدلال دقیقا همان شرایطی را توصیف می‌کند که بیش از هر چیز مایه نگرانی اپراتورهای شبکه است: زمانی که توفانی فراتر از هر تجربه‌ای که مدل هوش مصنوعی در داده‌های آموزشی خود دیده است، رخ می‌دهد.

چه چیزی واقعا تازه است و در مورد چه چیزهایی اغراق می‌شود؟

دیاگرام معماری سامانه WeatherNext 3 شرکت Google برای پردازش تصاویر ماهواره‌ای و تولید پیش‌بینی‌های دقیق جوی

معماری سامانه WeatherNext 3 ورودی‌های حاصل از ترکیب تصاویر ماهواره‌ای و داده‌های تحلیلی را نشان می‌دهد که در نهایت خروجی‌هایی چون پیش‌بینی‌های شبکه‌بندی‌شده، داده‌های ایستگاهی و مسیر گردبادها را تولید می‌کند. (عکس: وبلاگ رسمی Google)

ادعای ساختاری و فنی پیرامون WeatherNext 3 این است که این مدل به‌جای اتکا بر شبیه‌سازی‌ها، بر پایه مشاهدات واقعی و عینی آموزش می‌بیند. اکثر مدل‌های هواشناسی مبتنی بر هوش مصنوعی—از جمله نسخه پیشین یعنی WeatherNext 2—بر پایه خروجی مدل‌های عددی پیش‌بینی وضع هوا (NWP) آموزش داده می‌شوند؛ سامانه‌های محاسباتی سنگینی که روی ابررایانه‌ها اجرا شده و همواره با تأخیر داده‌ای دست‌کم شش‌ساعته همراه‌اند. این تأخیر زمانی می‌تواند در متغیرهای بسیار ناپایدار و با تغییرات سریع مانند بارندگی و دمای سطح زمین سوگیری و خطای جدی ایجاد کند. در مقابل، WeatherNext 3 تصاویر زنده ماهواره‌های مدار زمین‌ایستا (geostationary) را دریافت کرده و مستقیما با تکیه بر داده‌های به دست‌آمده از ایستگاه‌های هواشناسی سطحی آموزش می‌بیند.

این پیشرفت ملموس است، اما دامنه‌اش محدودتر از آن چیزی است که در موج رسانه‌ای اخیر بازتاب یافته است. دیاگرام معماری خود Google نشان می‌دهد که این مدل، تصاویر موزاییکی یک‌ساعته ماهواره‌ای را در کنار تحلیل‌های سنتی و پیشین دریافت می‌کند. Ilan Price، دانشمند ارشد پژوهشی در DeepMind، در گفتگو با Bloomberg اظهار داشت این مزیت ناشی از معطل نماندن برای پردازش‌های بعدی و استفاده از به‌روزترین اطلاعات در دسترس است. گزارش‌ها حاکی از آن است که تأخیر داده‌ای سیستم از حدود هفت ساعت به سه الی چهار ساعت کاهش یافته است؛ بنابراین وابستگی به پیش‌بینی‌های عددی هواشناسی کاهش یافته، اما بهینه‌سازی آن هنوز به معنای حذف کامل این سامانه‌ها نیست.

آمارهای ارائه‌شده درباره دقت مدل نیز نیازمند ارزیابی واقع‌بینانه‌تری است. Google از بهبودهایی تا ۶۰ درصد در مقایسه با سامانه ماهواره‌ای IMERG متعلق به NASA، ۳۰ درصد در مقایسه با رادار MRMS و ۱۰ درصد نسبت به داده‌های باران‌سنج‌ها در بازه‌های پیش‌بینی اولیه خبر می‌دهد که همگی با روش‌های استاندارد سنجش پیش‌بینی‌های احتمالی ارزیابی شده‌اند. این سه مورد خطوط پایه و معیارهای کاملا مجزایی هستند و نمی‌توان درصدهای آن‌ها را با یکدیگر جمع زد. همچنین ادعای مکرر درباره بهبود ۵۰ درصدی پیش‌بینی بارش، مشخصا به پیش‌بینی‌های مربوط به یک یا چند روز بعد تعلق دارد. افزون بر این، تمام این ارقام با عبارت «تا فلان میزان» (up to) همراه شده‌اند که نشان می‌دهد این دستاوردها مربوط به بهترین حالت ممکن است، نه یک عملکرد یکنواخت و دائمی در تمام شرایط جوی.

Google هم‌زمان با رونمایی از این سامانه، هیچ گزارش اعتبارسنجی مستقلی از سوی مراجع ثالث منتشر نکرده است. در عوض، به ارزیابی‌های زنده Brightband استناد می‌کند و با تکیه بر جدول رتبه‌بندی آن، مدعی است WeatherNext 3 دقیق‌ترین مدل جهانی وضع هوا تا به امروز است. با این حال، یک شرکت ارائه‌دهنده خدمات عمومی برق که در پی جایگزینی خدمات تخصصی و پولی فعلی خود است، بیش از آنکه به رتبه جهانی یک مدل توجه کند، کارایی و دقت آن را در محدوده زیرساخت‌ها، جغرافیا و تأسیسات بومی خود مورد سنجش قرار خواهد داد.

نفع مستقیم Google از ساماندهی شبکه برق

Google ابزارهای پیش‌بینی خود را برای حل چالشی در شبکه برق به بازار عرضه می‌کند که توسعه صنعت فناوری و مراکز داده خود این شرکت نقش پررنگی در تشدید آن داشته‌اند. گسترش شتابان مراکز داده که محرک اصلی رشد بار مصرفی بوده و شرکت‌های برق را برای پاسخگویی به تقاضا با دشواری مواجه ساخته است، توسط غول‌های پردازش ابری (Hyperscalers)—از جمله Google—هدایت می‌شود. از سویی دیگر، Google به‌منظور تأمین برق پایدار برای تأسیسات خود، قراردادهای خرید چند گیگاواتی انرژی تجدیدپذیر را منعقد کرده است.

پیش‌بینی دقیق ظرفیت تولید انرژی بادی و خورشیدی برای شرکتی که ناچار است حجم عظیمی از برق تجدیدپذیر را با بار مصرفی فزاینده و حساس مراکز داده خود هماهنگ کند، یک ضرورت عملیاتی حیاتی به شمار می‌رود. این راهکار در درجه نخست منطق تجاری شفافی برای خود Google دارد و دلیل تمرکز ویژه بر گنجاندن متغیرهای اختصاصی انرژی در مدل WeatherNext 3 را به‌خوبی آشکار می‌کند.

با وجود این ظرفیت‌ها، Google هنوز ساختار تعرفه دسترسی سازمانی به WeatherNext 3 را شفاف نکرده و مشخص نساخته است که آیا استخراج داده‌ها در پلتفرم‌های BigQuery و Earth Engine مشمول نرخ استاندارد درخواست‌های Google Cloud خواهد بود یا به اشتراک تجاری و مجوز جداگانه‌ای نیاز دارد. شرکت‌های فعال در صنعت برق و انرژی پیش از آنکه صحت ادعاهای فنی مدل را ملاک عمل قرار دهند، برای هرگونه تغییر در زیرساخت‌ها و مهاجرت از ارائه‌دهندگان تخصصی فعلی، چشم‌انتظار شفاف‌سازی مدل اقتصادی و هزینه‌های این سرویس خواهند بود.