پیش‌بینی کافی نیست؛ چالش تازه هوش مصنوعی برای نجات جان انسان‌ها از گرمای مرگبار

این روز‌ها شهرها و پژوهشگران در سراسر جهان از هوش مصنوعی برای نقشه‌برداری و پیش‌بینی خطرات گرمای شدید کمک می‌گیرند، اما نتایج تحقیقات تازه نشان می‌دهد که از این فناوری بیش‌تر برای شناسایی نقاط خطر استفاده شده تا اینکه واقعاً به مدیران شهری در واکنش سریع و امدادرسانی کمکی بکند.

چرا این موضوع اهمیت دارد؟ هم‌زمان با اینکه تغییرات اقلیمی موج گرمای شدید را شدیدتر و مرگبارتر می‌کند، صرفاً داشتن پیش‌بینی‌های دقیق‌تر نمی‌تواند از جوامع آسیب‌پذیر محافظت کند؛ مگر اینکه دولت‌ها و شهرداری‌ها بتوانند این داده‌ها را به اقدامات عملی تبدیل کنند.

• بر اساس یک پژوهش علمی در سال ۲۰۲۵ از سوی دانشگاه ییل، مرگ‌ومیر ناشی از دمای بالا در ایالات متحده با یک جهش ۵۳ درصدی، از میانگین سالانه ۲٬۶۷۰ نفر در بازه ۲۰۰۰ تا ۲۰۰۹، به بیش از ۴٬۰۰۰ نفر در سال‌های ۲۰۱۰ تا ۲۰۲۰ رسیده است.

اصل ماجرا چیست؟ یک مطالعه جدید که در نشریه معتبر Climate Risk Management به چاپ رسیده، تمام پژوهش‌های موجود درباره نحوه استفاده از هوش مصنوعی و یادگیری ماشین برای مدیریت گرمای شدید را زیر ذره‌بین برده است.

• از میان مقالات علمی بررسی‌شده، ۹۸.۴ درصد روی پیش‌بینی گرما و ۵۹.۲ درصد روی پیشگیری تمرکز داشته‌اند. این در حالی است که تنها ۱۰.۴ درصد مقالات به فاز واکنش، ۳.۲ درصد به بازسازی پس از بحران و ۱.۶ درصد به میزان آمادگی پرداخته‌اند؛ شکاف چشمگیری که نویسندگان مقاله از آن با عنوان «شکاف میان پژوهش تا اجرا» یاد می‌کنند.

• این تحقیقات تا حد زیادی روی استفاده از هوش مصنوعی برای پیش‌بینی گرمای خطرناک و شناسایی افراد در معرض آسیب متمرکز شده و توجه بسیار کمتری به این موضوع داشته‌اند که چگونه هوش مصنوعی می‌تواند به مسئولان کمک کند تا تصمیم بگیرند در گام بعدی چه کاری انجام دهند.
• کاریشما وی. پاتل (Karishma V. Patel)، پژوهشگر سیاست‌گذاری در اندیشکده رَند (RAND) و از همکاران نویسنده این پژوهش، توضیح می‌دهد: «جایی که هوش مصنوعی می‌تواند ارزش واقعی خلق کند، زمانی است که پیش‌بینی در مرکز تصمیم‌گیری قرار دارد؛ یعنی یا ابعاد کار بسیار وسیع باشد یا جزئیات دقیق‌تری ارائه شود.»

وضعیت فعلی در میدان عمل: تبدیل پیش‌بینی‌های پیشرفته درباره گرما به اقدامات دولتی و شهری، به چیزی فراتر از مدل‌های پیچیده نیاز دارد.

• جنا گوشیاک (Jennah Gosciak)، پژوهشگر دانشگاه کرنل، در این رابطه تأکید کرده است که داشتن «سیستم‌های داده‌ای قدرتمند» که بتوانند داده‌ها را از منابع متنوع دریافت کرده و آن‌ها را برای کارشناسان و مجریان قابل استفاده کنند، «بخش اعظم نبرد در این مسیر است».

یک نمونه واقعی: شرکت گوگل در ماه ژوئن رسماً اعلام کرد که داده‌های تاب‌آوری در برابر گرما مبتنی بر هوش مصنوعی خود (Heat Resilience) را از پروژه آزمایشی اولیه در ۱۴ شهر، به بیش از ۵۰ شهر در سراسر جهان گسترش داده است؛ داده‌هایی که به طراحان و برنامه‌ریزان شهری اجازه می‌دهد با جزئیاتی در سطح تک‌تک ساختمان‌ها، اقدامات مقابله با گرما را هدف‌گذاری کنند.

• این سیستم با استفاده از هوش مصنوعی و تصاویر هوایی با وضوح بالا، میزان بازتاب نور سقف‌ها را تا سطح ساختمان‌های جداگانه نقشه‌برداری می‌کند.
• گوگل اعلام کرده که داده‌های این طرح‌های آزمایشی به تصمیم‌گیری‌های کلیدی در چندین شهر، از جمله تصویب قوانین مربوط به پشت‌بام‌های خنک و برنامه‌های سازگاری اقلیمی کمک کرده است.

نگاهی به واقعیت: داده‌ها و اطلاعات بهتر، الزاماً به معنای نتایج بهتر نیستند.

• گوشیاک که مدتی به عنوان پژوهشگر فناوری منافع عمومی با اداره مدیریت بحران شهر نیویورک همکاری داشته، اخیراً شاخص‌های ساده‌تر آسیب‌پذیری در برابر گرما را با الگوریتم‌های پیش‌بینی پیچیده برای تصمیم‌گیری‌های دولتی مقایسه کرده است.
• او یکی از تفاوت‌های کلیدی را با مفهوم «داده‌های کند در برابر داده‌های تند» توصیف می‌کند؛ الگوریتم‌های پیش‌بینی ممکن است برای تصمیم‌های حساس به زمان که «به یک رویداد محرک خاص وابسته‌اند» مفیدتر باشند، در حالی که شاخص‌های ساده‌تر برای برنامه‌ریزی‌های بلندمدت شهری گزینه بسیار بهتری هستند.
• این دانشجوی دکتری دپارتمان علوم اطلاعات دانشگاه کرنل می‌افزاید که یکی از مزایای شاخص‌های ساده‌تر این است که مدیران شهری می‌توانند به صورت شفاف و مشخص، گروه‌های جمعیتی آسیب‌پذیر را در اولویت امدادرسانی قرار دهند.

گام بعدی چیست؟ مرز بعدی پیشرفت فناوری شاید دیگر بهبود جزئی پیش‌بینی‌های هواشناسی نباشد، بلکه پیوند زدن این پیش‌بینی‌ها به مداخلات و عملیات نجات واقعی در دنیای فیزیکی است.

• پاتل معتقد است ارزش کلیدی هوش مصنوعی می‌تواند در کمک به مسئولان برای گرفتن «تصمیم‌های تقریباً لحظه‌ای» از طریق تجمیع سیگنال‌های متغیر و ارائه «پیش‌بینی‌های فوق‌محلی با جزئیات بسیار دقیق» باشد.
• به گفته او، این توانمندی به مدیران شهری کمک می‌کند تا به خطرات ناشی از گرما در لحظه واکنش نشان دهند و تهدیدات ترکیبیِ حاصل از هم‌زمانی موج گرما، آلودگی هوا، دود آتش‌سوزی‌های جنگلی و خشکسالی را بهتر مدیریت کنند.

کلام آخر: همان‌طور که پاتل می‌گوید: «موضوع مهم این نیست که فقط توانایی ساخت فناوری‌های مبتنی بر هوش مصنوعی را داشته باشیم؛ نکته اصلی این است که این فناوری واقعاً دردی را دوا کند یا گره‌ای از مشکلات باز کند.»