Penyelidik di MIT telah mencapai kejayaan besar dalam pemodelan iklim dengan membangunkan alat AI yang mampu meramalkan peristiwa cuaca ekstrem yang tidak mempunyai sejarah terdahulu. Tidak seperti model tradisional yang bergantung pada bencana masa lalu untuk meramalkan masa depan, sistem baharu ini boleh memetakan malapetaka yang mungkin berlaku secara statistik tetapi tidak pernah berlaku di sesebuah wilayah tertentu.

Memutuskan Kebergantungan pada Data Sejarah

Kebanyakan model ramalan cuaca kontemporari dan algoritma pembelajaran mesin mengalami had yang fundamental: ia bersifat "melihat ke belakang" (backward-looking). Ia memerlukan set data yang luas tentang kejadian masa lalu—seperti banjir, taufan, atau gelombang haba sebelum ini—untuk mengenali corak dan meramalkan risiko masa depan. Ini menjadi titik kegagalan kritikal dalam era perubahan iklim, di mana peralihan suhu global sedang mewujudkan peristiwa cuaca "black swan" yang menyimpang daripada norma sejarah.

Dibangunkan oleh pelajar pascasiswazah kejuruteraan mekanikal Kai Chang dan Profesor Themis Sapsis, alat MIT ini memintas kebergantungan tersebut. Daripada bertanya "Apa yang pernah berlaku di sini sebelum ini?", model ini menilai fizik asas dan kebarangkalian statistik untuk menjawab, "Apa yang mungkin berlaku di sini berdasarkan keadaan atmosfera semasa?" Ini membolehkan AI menjana peta ramalan bagi peristiwa ekstrem yang belum pernah berlaku, yang kekal dalam lingkungan kemungkinan statistik tetapi wujud di luar sejarah yang direkodkan bagi sesuatu lokasi tertentu.

Memetakan yang "Mungkin Secara Statistik"

Inovasi teknikal terletak pada keupayaan model tersebut untuk menghasilkan peta beresolusi tinggi bagi potensi peristiwa cuaca. Peta ini bukan sekadar mencadangkan bahawa bencana mungkin berlaku; ia menyediakan visualisasi spatial yang terperinci tentang di mana dan bagaimana sesuatu peristiwa boleh berlaku.

Yang paling penting, alat ini juga menyediakan anggaran ketidakpastian bagi setiap peta. Dengan mengukur tahap keyakinan dalam ramalannya, AI ini menyediakan lapisan penilaian risiko yang bernuansa. Perbezaan ini sangat penting bagi petugas kecemasan dan perancang bandar yang perlu mengetahui bukan sahaja potensi impak, tetapi juga kebolehpercayaan ramalan itu sendiri. Keupayaan ini mengubah kemungkinan teori kepada metrik risiko yang boleh diambil tindakan.

Mengapa Ini Penting untuk Masa Depan Ketahanan Iklim

Implikasinya terhadap landskap AI dan sains iklim yang lebih luas adalah sangat mendalam. Memandangkan perubahan iklim semakin memecut, "rekod sejarah" menjadi panduan yang semakin tidak boleh dipercayai untuk kesiapsiagaan masa depan. Model pembelajaran mesin tradisional berisiko terkejut oleh peristiwa "luar taburan" (out-of-distribution)—fenomena yang jatuh di luar julat data latihan.

Pendekatan MIT mengubah paradigma daripada padanan corak kepada pemodelan berasaskan fizik kebarangkalian (probabilistic physics-informed modeling). Bagi pembangun dalam ruang teknologi iklim (climate-tech) dan pengasas yang membina infrastruktur ketahanan, ini mewakili peralihan ke arah AI yang lebih teguh dan kalis masa depan. Dengan bersedia untuk perkara yang "belum pernah berlaku", masyarakat boleh beralih daripada sikap reaktif kepada proaktif, merangka bandar dan protokol kecemasan untuk cuaca hari esok, dan bukannya cuaca hari semalam.

Ringkasan Utama

  • Melampaui Sejarah: AI yang dibangunkan oleh MIT boleh meramalkan peristiwa cuaca ekstrem yang tidak mempunyai kejadian terdahulu dalam rekod sejarah sesebuah wilayah.
  • Pemetaan Kebarangkalian: Alat ini menjana peta spatial terperinci bagi potensi bencana yang disertakan dengan anggaran ketidakpastian khusus untuk setiap ramalan.
  • Kesiapsiagaan Perubahan Iklim: Teknologi ini menangani jurang kritikal dalam model ML semasa, membolehkan persediaan yang lebih baik terhadap peristiwa cuaca "black swan" yang didorong oleh perubahan iklim.

Mengapa ramalan tradisional tersungkur

Kebanyakan model ramalan cuaca dan kebanyakan pendekatan pembelajaran mesin bersifat “melihat ke belakang.” Ia memerlukan arkib besar banjir, taufan, gelombang haba dan sebagainya yang telah berlaku untuk mempelajari corak dan memproyeksikan risiko masa depan. Dalam dunia di mana suhu global beralih lebih cepat daripada apa yang dapat ditangkap oleh rekod sejarah, kebergantungan itu menjadi liabiliti. Perubahan iklim melahirkan peristiwa “black-swan”—ribut, kemarau atau lonjakan haba yang berada di luar julat pemerhatian masa lalu. Apabila sesuatu model tidak pernah melihat kes yang setara, hasilnya boleh menjadi sangat tidak tepat atau, lebih buruk lagi, langsung tidak memberikan sebarang maklumat.

Alternatif berasaskan fizik

Sistem MIT ini mengubah perspektif soalan tersebut secara drastik. Daripada bertanya “apa yang pernah berlaku di sini sebelum ini?”, ia menilai fizik asas yang memacu pergerakan atmosfera—pemuliharaan jisim, momentum, tenaga—dan menggabungkan persamaan tersebut dengan kaedah statistik yang meneroka pelbagai kemungkinan hasil. Dengan menyandarkan AI kepada fizik, model ini dapat menjana senario yang munasabah walaupun rekod sejarah tidak memberikan sebarang panduan.

Pendekatan ini bersifat “berinformasi fizik” (physics-informed) kerana rangkaian neural dihadkan oleh persamaan yang sama yang mengawal cuaca sebenar. Ini menghalang AI daripada mencipta keadaan yang mustahil dari segi fizik, satu masalah yang boleh menjejaskan model berasaskan data semata-mata apabila ia dipaksa melangkaui domain latihannya. Hasilnya ialah set ramalan yang kekal dalam lingkungan kemungkinan statistik sambil tetap mencerminkan sifat huru-hara sistem iklim.

Memetakan “kemungkinan statistik”

Output yang paling ketara ialah set peta beresolusi tinggi yang menunjukkan di mana peristiwa ekstrem boleh berlaku dan sejauh mana tahap keterukannya. Setiap peta dipasangkan dengan anggaran ketidakpastian yang mengukur tahap keyakinan dalam ramalan tersebut. Bagi petugas kecemasan, perancang bandar, dan pembangun infrastruktur, lapisan tambahan itu sangat penting: anggaran ketidakpastian juga membantu pengguna mempertimbangkan imbangan (trade-offs). Sesebuah wilayah mungkin melihat kebarangkalian kecil bagi ribut super yang jarang berlaku, tetapi selang keyakinan (confidence interval) mungkin luas, menandakan bahawa lebih banyak data atau pemantauan diperlukan sebelum memperuntukkan sumber. Sebaliknya, jalur keyakinan yang sempit bagi peristiwa berkebarangkalian tinggi boleh mewajarkan langkah mitigasi segera, seperti memperkukuh benteng atau menyemak semula laluan pemindahan.

Pertaruhan bagi daya tahan iklim

Jika alat ini memenuhi janjinya, ia boleh mengubah kesiapsiagaan iklim daripada pendekatan reaktif kepada proaktif. Pembangun penyelesaian teknologi iklim, pegawai perbandaran, dan agensi pengurusan bencana akan mendapat cara untuk merancang bagi perkara yang “tidak pernah berlaku sebelum ini” dan bukannya sekadar perkara yang “telah direkodkan.” Ini boleh diterjemahkan kepada keputusan zon yang lebih bijak, peruntukan bajet kecemasan yang lebih bersasaran, dan infrastruktur yang mampu menahan spektrum keadaan ekstrem yang lebih luas.

Komuniti AI dan sains iklim yang lebih luas juga bakal mendapat manfaat. Dengan menunjukkan bahawa model berinformasi fizik boleh melangkaui had data masa lalu, kerja MIT ini mencabar kebergantungan sedia ada pada padanan corak (pattern-matching) semata-mata. Ia mencadangkan laluan ke arah sistem AI yang kekal teguh apabila iklim itu sendiri berkembang.

Persoalan terbuka dan had

Kebergantungan sistem ini pada fizik tidak menghapuskan semua kebimbangan. Mengesahkan ramalan bagi peristiwa yang tidak pernah berlaku adalah sukar secara semula jadi; sebarang penilaian mesti bersandarkan kepada analog, eksperimen sintetik atau simulasi iklim jangka panjang. Pengkritik mungkin berhujah bahawa sifat probabilistik output tersebut boleh disalah tafsir sebagai kepastian, terutamanya apabila disampaikan kepada pihak berkepentingan bukan teknikal.

Apa yang perlu diperhatikan seterusnya

Rumusan: Dengan menyandarkan kecerdasan buatan kepada hukum fizik, jurutera MIT telah membuka jalan untuk meramal cuaca ekstrem yang melangkaui rekod sejarah, menawarkan peta risiko beresolusi tinggi yang peka terhadap ketidakpastian yang boleh membentuk semula cara masyarakat bersedia menghadapi iklim yang sentiasa berubah.