Do AI Forecast Ensembles Sample the Correct Conditional Distribution?
تُثبت هذه الورقة أن مجموعات التنبؤ بالذكاء الاصطناعي، وتحديداً نماذج الانتشار لارتفاع منسوب مياه السواحل، يمكنها تحقيق مهارة هامشية إيجابية بينما تفشل في التقاط التوزيع المكاني المشترك للنتائج بشكل صحيح — وهو قصور هيكلي غير مرئي عبر درجات الطاقة القياسية ولكن يمكن كشفه عبر درجات الفاريوجرام وإعادة إنتاجه بواسطة النماذج الخطية المرجعية.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تخيل أنك تحاول التنبؤ بالطقس لمدينة بأكملها، وليس مجرد حي واحد فقط. أنت تعلم أنه إذا أمطرت في الشمال، فمن المرجح أن تمطر في الجنوب أيضاً؛ فالطقس لا يحدث في فقاعات معزولة. هذا هو جوهر التنبؤ الجماعي (Ensemble Forecasting): فبدلاً من تخمين مستقبل واحد وحيد، يقوم العلماء بتشغيل نموذج حاسوبي عشرات أو مئات المرات لإنشاء "سحابة" من النتائج المحتملة. والهدف ليس مجرد إصابة المتوسط بدقة، بل التأكد من أن انتشار تلك النتيات يشبه العالم الحقيقي. إذا كان هناك ارتباط وثيق بين أماكن مختلفة في الواقع، فيجب أن تُظهر سحابة التنبؤ هذا الارتباط نفسه.
لفترة طويلة، كانت هذه السحب تُصنع بواسطة حواسيب فائقة ضخمة تعتمد على الفيزياء وتحاكي قوانين الطبيعة. ولكن مؤخراً، وصل نوع جديد من "متنبئي الطقس بالذكاء الاصطناعي". هؤلاء يشبهون الطلاب العباقرة الذين حفظوا آلاف السنين من أنماط الطقس الماضية وتعلموا كيفية تخمين المستقبل بناءً على ذاكرتهم. إنهم سريعون للغاية ويمكنهم توليد سحب ضخمة من الاحتمالات. ولكن هنا يكمكن السؤال الكبير: لمجرد أن نماذج الذكاء الاصطناعي هذه سريعة وذكية في تخمين الطقس لمكان واحد محدد، هل تنجح سحابة احتمالاتها حقاً في التقاط كيفية اتصال الأماكن المختلفة ببعضها البعض؟ إذا اعتقد الذكاء الاصطناعي أنها تمطر في بوسطن وأن الجو مشمس في ميامي، بينما في الواقع عادة ما يكون كلاهما ممطراً أو مشمساً، فإن التنبؤ يكون معطلاً، حتى لو كانت التخمينات الفردية تبدو جيدة.
الانفصال الكبير للذكاء الاصطناك في الطقس
في هذه الدراسة، وضع باحثون من جامعة بوسطن نوعاً شائعاً من نماذج طقس الذكاء الاصطناعي قيد الاختبار. لقد قاموا بتدريب "نموذج الانتشار" (Diffusion Model) — وهو ذكاء اصطناعي متطور يتعلم عن طريق تحويل الضجيج ببطء إلى صورة واضحة — للتنبؤ بمستويات سطح البحر على طول الساحل الشرقي للولايات المتحدة. أرادوا معرفة ما إذا كان بإمكان الذكاء الاصطناعي التنبؤ ليس فقط بمنسوب المياه عند جهاز قياس مد وجزر واحد، ولكن أيضاً بكيفية تحرك مستويات المياه في ثماني محطات مختلفة (من مين إلى فلوريدا) معاً.
فكر في الأمر كأنه جوقة غنائية. الذكاء الاصطناعي بارع في غناء النغمة الصحيحة لكل مغنٍ على حدة (المحطات الفردية). إذا سألت: "ما هو مستوى الماء في بوسطن؟" فستكون إجابة الذكاء الاصطناعي دقيقة للغاية. ولكن عندما تستمع إلى الجوقة بأكملها، ستجد أن الذكاء الاصطناعي يغني خارج الإيقاع؛ فهو يفشل في التقاط التناغم بين المغنين.
وجد الباحثون "فجوة مهارة" مفاجئة. فعندما فحصوا أداء الذكاء الاصطناي باستخدام اختبارات معيارية تنظر إلى محطة واحدة في كل مرة، كان الذكاء الاصطناعي طالباً متميزاً يتفوق على التخمينات العشوائية. ومع ذلك، عندما استخدموا اختباراً خاصاً مصمماً للتحقق مما إذا كانت المحطات "تغني معاً" بشكل صحيح، كان أداء الذكاء الاصطناي في الواقع أسوأ من مجرد اختيار أنماط الطقس التاريخية العشوائية. بدا الأمر كما لو أن الذكاء الاصطناعي يعرف كلمات كل أغنية بدقة، لكنه لا يملك أي فكرة عن كيفية التناغم مع المغنين الآخرين.
أسطورة "المزيد من البيانات"
قد تعتقد: "ربما يحتاج الذكاء الاصطناعي فقط إلى الدراسة بجد أكبر! إذا أعطيناه المزيد من بيانات التدريب، فسيتعلم التناغم". اختبر الباحثون ذلك من خلال إجراء تجارب في عالم مبسط تم إنشاؤه حاسوبياً (يسمى نظام Lorenz-96) والذي يحاكي الطقس الفوضوي. لقد غذوا الذكاء الاصطناي بكل شيء، بدءاً من كمية ضئيلة من البيانات وصولاً إلى كمية هائلة — ما يعادل 170 عاماً من سجلات الطقس.
النتيجة؟ لم تتقلص الفجوة. حتى مع وجود جبل من البيانات، أصبح الذكاء الاصطناعي أفضل في التنبؤ بالأماكن الفردية، لكنه ظل سيئاً في التنبؤ بكيفية اتصال تلك الأماكن ببعضها البعض. يبدو أن المشكلة ليست في كون الذكاء الاصطناعي "لم يدرس كفاية"، بل هي خلل هيكلي في كيفية تعلم هذه النماذج. يبدو أنها تتعلم الأدوار "المنفردة" للأغنية جيداً، لكنها تكافح لتعلم الأجزاء "الجماعية".
"المقلد" مقابل "الفيزياء"
لمعرفة سبب حدوث ذلك، قارن الفريق بين ثلاثة أنواع مختلفة من المتنبئين:
- نموذج انتشار الذكاء الاصطناعي: الطالب الجديد المتطور.
- النموذج الديناميكي: الحاسوب التقليدي القائم على الفيزياء الذي يحل معادلات الحركة (الخبير القديم).
- المحاكي الحتمي (Deterministic Emulator): ذكاء اصطناعي يعمل كمقلد، يأخذ نقطة بداية ويقوم بتشغيلها للأمام دون أي عشوائية.
وجدوا أن النموذج الفيزيائي التقليدي (النموذج الديناميكي) لم يكن يعاني من هذه المشكلة؛ فقد حافظ على التناغم سليماً. أما "المقلد" الخاص بالذكاء الاصطناعي، فقد فشل تماماً مثل نموذج الانتشار. وهذا يشير إلى أن المشكلة ليست في "التنبؤ الجماعي" بشكل عام، بل في كيفية بناء نماذج الذكاء الاصطناعي المعتمدة على البيانات. يبدو أنها تجد صعوبة في تعلم العلاقات المعقدة متعددة الأبعاد بين أجزاء النظام المختلفة، حتى وإن كانت جيدة في الأجزاء البسيطة.
لماذا يهم هذا؟
تشير الدراسة إلى أنه لا يمكننا الافتراض بأن النماذج الأكبر من الذكاء الاصطناعي أو المزيد من بيانات التدريب ستصلح تلقائياً هذه الأخطاء الخفية. إذا اعتمدنا على تنبؤات الذكاء الاصطناعي هذه لأشياء مثل تحذيرات الفيضانات الساحلية، فقد نحصل على تنبؤ رائع لبلدة واحدة، ولكن بصورة خاطئة تماماً لكيفية تحرك موجة العاصفة على طول الساحل بأكيمله.
خلص الباحثون إلى أنه بينما يعد الذكاء الاصطناعي أداة قوية، إلا أنه يعاني حالياً من "نقطة عمياء" فيما يتعلق بكيفية اتصال الأجزاء المختلفة من الأرض ببعضها البعض. وللحصول على الصورة الكاملة، سنحتاج على الأرجح إلى الاستمرار في استخدام النماذج التقليدية القائمة على الفيزياء جنباً إلى جنب مع الذكاء الاصطناعي، ونحتاج إلى تطوير طرق جديدة لاختبار الذكاء الاصطناعي لا تكتفي بالنظر إلى الأداء المنفرد، بل تتحقق من تناغم الجوقة بأكملها. وحتى ذلك الحين، قد يكون الذكاء الاصطناعي عازفاً منفرداً بارعاً، لكنه ليس مستعداً تماماً لقيادة الأوركسترا.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.