Các chuyên gia về thời tiết và khí hậu chia rẽ về việc AI hay các phương pháp truyền thống hiệu quả hơn. Trong mô hình mới này, các nhà nghiên cứu của Google đặt cược vào cả hai phương pháp.
Các nhà nghiên cứu từ Google đã xây dựng một mô hình dự đoán thời tiết mới kết hợp học máy với các kỹ thuật truyền thống, có thể cung cấp dự đoán chính xác với chi phí chỉ bằng một phần nhỏ so với hiện tại.
Mô hình này, có tên là NeuralGCM và được mô tả trong một bài báo trên tạp chí Nature hôm nay, cầu nối khoảng cách đã gia tăng giữa các chuyên gia dự đoán thời tiết trong những năm gần đây.
Trong khi các kỹ thuật học máy mới dự đoán thời tiết bằng cách học từ dữ liệu quá khứ trong nhiều năm là cực kỳ nhanh chóng và hiệu quả, chúng có thể gặp khó khăn với các dự đoán dài hạn. Các mô hình tuần hoàn tổng quát, mặt khác, đã thống trị dự đoán thời tiết trong suốt 50 năm qua, sử dụng các phương trình phức tạp để mô phỏng sự thay đổi trong khí quyển và đưa ra các dự đoán chính xác, nhưng chúng rất chậm và tốn kém khi vận hành. Các chuyên gia đang chia rẽ về công cụ nào sẽ đáng tin cậy nhất trong tương lai. Nhưng mô hình mới từ Google thay vào đó cố gắng kết hợp cả hai.
"Đây không phải là cuộc đối đầu giữa vật lý và AI. Thực ra là vật lý và AI cùng nhau," Stephan Hoyer, một nhà nghiên cứu AI tại Google Research và là đồng tác giả của bài báo, cho biết.
Hệ thống vẫn sử dụng mô hình truyền thống để tính toán một số thay đổi lớn trong khí quyển cần thiết để đưa ra dự đoán. Sau đó, nó kết hợp AI, vốn hoạt động tốt ở những điểm mà các mô hình lớn hơn thường gặp khó khăn—thường là ở những dự đoán trên quy mô nhỏ hơn khoảng 25 km, như các hình thức đám mây hoặc các vi khí hậu vùng (chẳng hạn như sương mù ở San Francisco). “Đó là nơi chúng tôi đưa AI vào một cách rất chọn lọc để sửa các lỗi tích tụ ở quy mô nhỏ,” Hoyer nói.
Kết quả, các nhà nghiên cứu cho biết, là một mô hình có thể đưa ra dự đoán chất lượng nhanh hơn với ít năng lượng tính toán hơn. Họ cho biết NeuralGCM chính xác như các dự đoán từ một đến 15 ngày của Trung tâm Dự báo Thời tiết Trung hạn Châu Âu (ECMWF), là một tổ chức đối tác trong nghiên cứu.
Nhưng tiềm năng thực sự của công nghệ như vậy không nằm ở việc cải thiện dự đoán thời tiết cho khu vực địa phương của bạn, nói Aaron Hill, phó giáo sư tại Trường Khí tượng của Đại học Oklahoma, người không tham gia vào nghiên cứu này. Thay vào đó, nó nằm ở các sự kiện khí hậu quy mô lớn hơn mà việc mô phỏng bằng các kỹ thuật truyền thống là quá tốn kém. Các khả năng có thể từ việc dự đoán bão nhiệt đới với thời gian cảnh báo nhiều hơn đến việc mô phỏng các thay đổi khí hậu phức tạp hơn trong nhiều năm tới.
“Việc mô phỏng toàn cầu liên tục hoặc trong thời gian dài là cực kỳ tốn kém về mặt tính toán,” Hill nói. Điều đó có nghĩa là các mô hình khí hậu tốt nhất bị hạn chế bởi chi phí cao của năng lượng tính toán, điều này tạo ra một nút thắt thực sự trong nghiên cứu.
Các mô hình dựa trên trí tuệ nhân tạo thực sự gọn nhẹ hơn. Sau khi được đào tạo, thường là trên 40 năm dữ liệu thời tiết lịch sử từ ECMWF, một mô hình học máy như GraphCast của Google có thể chạy trên ít hơn 5.500 dòng mã, so với gần 377.000 dòng mã cần thiết cho mô hình của Cục Quản lý Đại dương và Khí quyển Quốc gia (NOAA), theo tài liệu.
NeuralGCM, theo Hill, dường như cho thấy một lý do thuyết phục rằng trí tuệ nhân tạo có thể được áp dụng cho các yếu tố cụ thể trong mô hình hóa thời tiết để làm cho mọi thứ nhanh hơn, trong khi vẫn giữ lại các điểm mạnh của các hệ thống truyền thống.
“Chúng ta không phải vứt bỏ tất cả những kiến thức mà chúng ta đã tích lũy trong suốt 100 năm qua về cách mà khí quyển hoạt động,” ông nói. “Chúng ta thực sự có thể tích hợp điều đó với sức mạnh của trí tuệ nhân tạo và học máy.”
Hoyer cho biết việc sử dụng mô hình để dự đoán thời tiết ngắn hạn đã hữu ích cho việc xác thực các dự đoán, nhưng mục tiêu thực sự là có thể sử dụng nó cho mô hình hóa dài hạn, đặc biệt là để đánh giá rủi ro thời tiết cực đoan.
NeuralGCM sẽ là mã nguồn mở. Trong khi Hoyer nói rằng ông mong chờ các nhà khoa học khí hậu sử dụng nó trong nghiên cứu của họ, mô hình này cũng có thể thu hút nhiều đối tượng hơn chỉ các học giả. Các nhà giao dịch hàng hóa và các nhà hoạch định nông nghiệp sẵn sàng chi tiền lớn cho các dự đoán độ phân giải cao, và các mô hình được các công ty bảo hiểm sử dụng cho các sản phẩm như bảo hiểm lũ lụt hoặc thời tiết cực đoan đang gặp khó khăn trong việc tính đến tác động của biến đổi khí hậu.
Mặc dù nhiều nhà hoài nghi trí tuệ nhân tạo trong dự đoán thời tiết đã được chinh phục bởi những phát triển gần đây, theo Hill, tốc độ nhanh chóng làm cho cộng đồng nghiên cứu khó theo kịp. “Nó phát triển nhanh chóng,” ông nói—dường như cứ hai tháng lại có một mô hình mới được Google, Nvidia, hoặc Huawei phát hành. Điều đó khiến cho các nhà nghiên cứu gặp khó khăn trong việc phân loại các công cụ mới nào sẽ hữu ích nhất và nộp đơn xin các khoản tài trợ nghiên cứu tương ứng.
“Khát vọng về trí tuệ nhân tạo là có,” Hill nói. “Nhưng tôi nghĩ nhiều người trong chúng tôi vẫn đang chờ xem điều gì sẽ xảy ra.”
Chỉnh sửa: Câu chuyện này đã được cập nhật để làm rõ rằng Stephan Hoyer là nhà nghiên cứu tại Google Research, không phải Google DeepMind.
Các nhà nghiên cứu từ Google đã xây dựng một mô hình dự đoán thời tiết mới kết hợp học máy với các kỹ thuật truyền thống, có thể cung cấp dự đoán chính xác với chi phí chỉ bằng một phần nhỏ so với hiện tại.
Mô hình này, có tên là NeuralGCM và được mô tả trong một bài báo trên tạp chí Nature hôm nay, cầu nối khoảng cách đã gia tăng giữa các chuyên gia dự đoán thời tiết trong những năm gần đây.
Trong khi các kỹ thuật học máy mới dự đoán thời tiết bằng cách học từ dữ liệu quá khứ trong nhiều năm là cực kỳ nhanh chóng và hiệu quả, chúng có thể gặp khó khăn với các dự đoán dài hạn. Các mô hình tuần hoàn tổng quát, mặt khác, đã thống trị dự đoán thời tiết trong suốt 50 năm qua, sử dụng các phương trình phức tạp để mô phỏng sự thay đổi trong khí quyển và đưa ra các dự đoán chính xác, nhưng chúng rất chậm và tốn kém khi vận hành. Các chuyên gia đang chia rẽ về công cụ nào sẽ đáng tin cậy nhất trong tương lai. Nhưng mô hình mới từ Google thay vào đó cố gắng kết hợp cả hai.
"Đây không phải là cuộc đối đầu giữa vật lý và AI. Thực ra là vật lý và AI cùng nhau," Stephan Hoyer, một nhà nghiên cứu AI tại Google Research và là đồng tác giả của bài báo, cho biết.
Hệ thống vẫn sử dụng mô hình truyền thống để tính toán một số thay đổi lớn trong khí quyển cần thiết để đưa ra dự đoán. Sau đó, nó kết hợp AI, vốn hoạt động tốt ở những điểm mà các mô hình lớn hơn thường gặp khó khăn—thường là ở những dự đoán trên quy mô nhỏ hơn khoảng 25 km, như các hình thức đám mây hoặc các vi khí hậu vùng (chẳng hạn như sương mù ở San Francisco). “Đó là nơi chúng tôi đưa AI vào một cách rất chọn lọc để sửa các lỗi tích tụ ở quy mô nhỏ,” Hoyer nói.
Kết quả, các nhà nghiên cứu cho biết, là một mô hình có thể đưa ra dự đoán chất lượng nhanh hơn với ít năng lượng tính toán hơn. Họ cho biết NeuralGCM chính xác như các dự đoán từ một đến 15 ngày của Trung tâm Dự báo Thời tiết Trung hạn Châu Âu (ECMWF), là một tổ chức đối tác trong nghiên cứu.
Nhưng tiềm năng thực sự của công nghệ như vậy không nằm ở việc cải thiện dự đoán thời tiết cho khu vực địa phương của bạn, nói Aaron Hill, phó giáo sư tại Trường Khí tượng của Đại học Oklahoma, người không tham gia vào nghiên cứu này. Thay vào đó, nó nằm ở các sự kiện khí hậu quy mô lớn hơn mà việc mô phỏng bằng các kỹ thuật truyền thống là quá tốn kém. Các khả năng có thể từ việc dự đoán bão nhiệt đới với thời gian cảnh báo nhiều hơn đến việc mô phỏng các thay đổi khí hậu phức tạp hơn trong nhiều năm tới.
“Việc mô phỏng toàn cầu liên tục hoặc trong thời gian dài là cực kỳ tốn kém về mặt tính toán,” Hill nói. Điều đó có nghĩa là các mô hình khí hậu tốt nhất bị hạn chế bởi chi phí cao của năng lượng tính toán, điều này tạo ra một nút thắt thực sự trong nghiên cứu.
Các mô hình dựa trên trí tuệ nhân tạo thực sự gọn nhẹ hơn. Sau khi được đào tạo, thường là trên 40 năm dữ liệu thời tiết lịch sử từ ECMWF, một mô hình học máy như GraphCast của Google có thể chạy trên ít hơn 5.500 dòng mã, so với gần 377.000 dòng mã cần thiết cho mô hình của Cục Quản lý Đại dương và Khí quyển Quốc gia (NOAA), theo tài liệu.
NeuralGCM, theo Hill, dường như cho thấy một lý do thuyết phục rằng trí tuệ nhân tạo có thể được áp dụng cho các yếu tố cụ thể trong mô hình hóa thời tiết để làm cho mọi thứ nhanh hơn, trong khi vẫn giữ lại các điểm mạnh của các hệ thống truyền thống.
“Chúng ta không phải vứt bỏ tất cả những kiến thức mà chúng ta đã tích lũy trong suốt 100 năm qua về cách mà khí quyển hoạt động,” ông nói. “Chúng ta thực sự có thể tích hợp điều đó với sức mạnh của trí tuệ nhân tạo và học máy.”
Hoyer cho biết việc sử dụng mô hình để dự đoán thời tiết ngắn hạn đã hữu ích cho việc xác thực các dự đoán, nhưng mục tiêu thực sự là có thể sử dụng nó cho mô hình hóa dài hạn, đặc biệt là để đánh giá rủi ro thời tiết cực đoan.
NeuralGCM sẽ là mã nguồn mở. Trong khi Hoyer nói rằng ông mong chờ các nhà khoa học khí hậu sử dụng nó trong nghiên cứu của họ, mô hình này cũng có thể thu hút nhiều đối tượng hơn chỉ các học giả. Các nhà giao dịch hàng hóa và các nhà hoạch định nông nghiệp sẵn sàng chi tiền lớn cho các dự đoán độ phân giải cao, và các mô hình được các công ty bảo hiểm sử dụng cho các sản phẩm như bảo hiểm lũ lụt hoặc thời tiết cực đoan đang gặp khó khăn trong việc tính đến tác động của biến đổi khí hậu.
Mặc dù nhiều nhà hoài nghi trí tuệ nhân tạo trong dự đoán thời tiết đã được chinh phục bởi những phát triển gần đây, theo Hill, tốc độ nhanh chóng làm cho cộng đồng nghiên cứu khó theo kịp. “Nó phát triển nhanh chóng,” ông nói—dường như cứ hai tháng lại có một mô hình mới được Google, Nvidia, hoặc Huawei phát hành. Điều đó khiến cho các nhà nghiên cứu gặp khó khăn trong việc phân loại các công cụ mới nào sẽ hữu ích nhất và nộp đơn xin các khoản tài trợ nghiên cứu tương ứng.
“Khát vọng về trí tuệ nhân tạo là có,” Hill nói. “Nhưng tôi nghĩ nhiều người trong chúng tôi vẫn đang chờ xem điều gì sẽ xảy ra.”
Chỉnh sửa: Câu chuyện này đã được cập nhật để làm rõ rằng Stephan Hoyer là nhà nghiên cứu tại Google Research, không phải Google DeepMind.