Bên trong GenCast của Google: Tìm hiểu về AI trong dự báo thời tiết

Thời tiết ảnh hưởng đến mọi người theo mọi cách — những gì chúng ta làm, mức độ an toàn chúng ta cảm nhận, và cách chúng ta sống. Điều này khiến dự báo thời tiết chính xác trở thành nhu cầu thiết yếu chứ không phải xa xỉ, nhất là trong thời kỳ biến đổi khí hậu và, đáng lo ngại, các hiện tượng thời tiết cực đoan xảy ra ngày càng thường xuyên.

Dự báo thời tiết không phải điều mới mẻ — đã có hàng thập kỷ dưới dạng dự báo truyền thống. Dù hiệu quả, nó thường gặp thách thức khi dự báo chính xác trong thời gian dài.

Vì vậy, hãy nói về GenCast — một mô hình ứng dụng AI cực kỳ ấn tượng (thậm chí mang tính cách mạng), được phát triển bởi Google DeepMind, hứa hẹn cải thiện độ chính xác của dự báo thời tiết lên đến 15 ngày trước. GenCast tích hợp các kỹ thuật máy học tiên tiến với khoa học khí tượng để mang đến dự báo đáng tin cậy hơn, độ phân giải cao hơn. 

Sự trỗi dậy của AI trong dự báo thời tiết

Các mô hình truyền thống dựa vào dự báo thời tiết số (NWP), đưa các điều kiện thời tiết ban đầu vào siêu máy tính để tạo ra một dự báo tất định duy nhất. Điều này là tốt, nhưng vấn đề là thời tiết là một hệ hỗn độn, nghĩa là chỉ một thay đổi nhỏ ở điều kiện ban đầu — như chút biến thiên nhiệt độ, hay yếu tố khác — cũng có thể dẫn đến kết quả rất khác nhau. Hiện tượng này được gọi là hiệu ứng cánh bướm trong lý thuyết hỗn độn.

Để xử lý tính biến động này, các nhà dự báo tạo nhiều mô phỏng bằng cách điều chỉnh nhẹ các biến. Sau đó, các mô phỏng này được kết hợp thành dự báo tổ hợp (ENS) của Trung tâm Dự báo Thời tiết Hạn vừa Châu Âu (ECMWF).

Dù thành công, ENS có những hạn chế, cụ thể là kém hiệu quả tính toán — đòi hỏi tài nguyên rất lớn để chạy mô phỏng, và mô hình hóa bất định còn hạn chế — khó biểu diễn đầy đủ phổ các kết quả tiềm năng.

AI đã nổi lên như một lời giải khả dĩ cho các thách thức này. Trong khi các mô hình ban đầu tập trung vào dự báo tất định, những tiến bộ gần đây như mô hình lai (ví dụ, NeuralGCM) đã cải thiện độ chính xác dự báo. Tuy nhiên, các mô hình này thường chưa đạt về tốc độ và khả năng mở rộng — những vấn đề GenCast hướng đến giải quyết.

GenCast là gì?

Trước hết hãy nói về nguồn gốc của GenCast rồi đến điều khiến nó thuyết phục.

Nguồn gốc của GenCast

GenCast đánh dấu một bước đột phá đáng kể trong dự báo thời tiết. Được phát triển bởi Google DeepMind và công bố trên tạp chí Nature, GenCast là mô hình Dự báo Thời tiết Dựa trên Máy học (MLWP) đầu tiên vượt trội ENS về độ chính xác và hiệu quả. Ban đầu được thiết kế để vượt qua nút thắt cổ chai tính toán của các hệ thống truyền thống, GenCast tận dụng các tiến bộ mới nhất trong máy học và AI sinh để cách mạng hóa dự báo thời tiết.

Những kết quả đến nay rất ấn tượng. GenCast chính xác hơn 97,2% so với các mô hình truyền thống trong dự báo 15 ngày và chính xác hơn 99,8% cho dự báo ngắn 36 giờ. Đáng chú ý hơn là tốc độ: Nó tạo dự báo chỉ trong 8 phút, so với các phương pháp truyền thống có thể mất hàng giờ trên siêu máy tính với hàng chục nghìn bộ xử lý.

Tìm hiểu đổi mới của GenCast

GenCast tiếp cận dự báo thời tiết theo cách mới. Thay vì chỉ dựa vào mô phỏng số, nó dùng dự báo xác suất được vận hành bởi mô hình khuếch tán — một loại AI sinh thường dùng trong tạo ảnh và video.  

GenCast điều chỉnh mô hình này theo hình học cầu của Trái Đất, cho phép học và tạo ra xác suất phức tạp. Các mô hình khuếch tán mô phỏng phân phối kết hợp thực tế cho các biến như gió và lượng mưa, nâng cao chất lượng dự báo xác suất. Cách tiếp cận sinh này giảm thiểu yêu cầu tính toán, giúp có thể mở rộng và dễ tiếp cận.

GenCast hoạt động như thế nào

GenCast được huấn luyện trên 40 năm dữ liệu thời tiết lịch sử, bao phủ hơn 80 biến như nhiệt độ, độ ẩm và áp suất. Thuật toán dựa trên các mô hình khuếch tán, thường được dùng để tạo ảnh trong các công cụ như DALL-E hoặc MidJourney, được điều chỉnh cho dự báo thời tiết. Tổng quan cấp cao của quy trình được minh họa dưới đây:

Nguồn: Ảnh của Tác giả

Về cơ bản, quy trình bắt đầu với dữ liệu nhiễu, đại diện cho sự bất định hoặc ngẫu nhiên trong hệ thống. Nhiễu, trong ngữ cảnh này, là các điều kiện ban đầu hoặc điểm dữ liệu thiếu rõ ràng do bản chất hỗn độn của các mô hình thời tiết. Ở mỗi bước, mô hình giảm mức độ bất định bằng cách sử dụng các mẫu và mối quan hệ đã học từ dữ liệu lịch sử.

Thay vì tập trung vào một kết quả duy nhất, thuật toán tạo ra một tập hợp dự báo theo xác suất, nắm bắt các kịch bản và khả năng xảy ra của chúng. Điều này đặc biệt hữu ích khi dự đoán các sự kiện cực đoan như bão nhiệt đới, nơi thời điểm và quỹ đạo chính xác là tối quan trọng.

Sau nhiều vòng lặp, mô hình tạo ra dự báo được tinh chỉnh cao. Cách tiếp cận này cho phép GenCast tạo các phân phối kết hợp thực tế của các biến, chẳng hạn dự đoán cách tiềm năng điện gió tương quan với thay đổi nhiệt độ và áp suất. Sức mạnh của phương pháp này nằm ở khả năng làm việc với sự bất định vốn có của hệ thống thời tiết.   

Ứng dụng và tác động thực tế của GenCast

GenCast là một trong các mô hình thời tiết vận hành bằng AI tiên tiến của Google, bên cạnh những mô hình khác như NeuralGCM của Google Research, SEEDS, và các mô hình dự báo lũ. Những công cụ này đang được tích hợp vào nhiều dịch vụ như Search và Maps để tăng cường dự báo mưa, cháy rừng, lũ lụt và nắng nóng cực đoan. Một số ứng dụng được thảo luận dưới đây.

Ứng dụng thực tế của GenCast. Nguồn: Ảnh của Tác giả

Chuẩn bị cho thời tiết cực đoan

Nguy cơ từ các hiện tượng thời tiết cực đoan như bão nhiệt đới, cuồng phong và sóng nhiệt là điều ai cũng biết. Những sự kiện này ngày càng phổ biến và nghiêm trọng hơn do biến đổi khí hậu. Hãy lấy ví dụ về các vụ cháy rừng tàn phá gần đây ở LA. GenCast có thể cung cấp theo dõi chính xác các sự kiện này trước nhiều ngày, cho phép chính quyền và cơ quan khẩn cấp chủ động ứng phó. Ví dụ:

• Ứng phó thảm họa: Như đã đề cập, GenCast có thể dự đoán các sự kiện như thời điểm bão đổ bộ trước nhiều ngày. Điều này giúp nhà chức trách ban hành lệnh sơ tán kịp thời, chuẩn bị nơi trú ẩn, hoặc triển khai các biện pháp quan trọng khác.
• Tiết kiệm kinh tế: Quản lý thảm họa chủ động giúp giảm thiểu tổn thất kinh tế bằng cách hỗ trợ doanh nghiệp bảo vệ tài sản và giảm thời gian gián đoạn các hoạt động trọng yếu.
• Cứu sống con người: Có lẽ lợi ích quan trọng nhất là nhờ cung cấp thời gian chuẩn bị dài hơn, GenCast giúp cứu được nhiều sinh mạng hơn trong các sự kiện cực đoan.

Chẳng hạn, trong một bài thử nghiệm với bão Hagibis, GenCast dự đoán thời điểm đổ bộ trước bảy ngày. Khó có thể diễn tả hết tầm quan trọng của năng lực dự đoán như vậy trong quản lý thảm họa.

Ngành năng lượng

Chính sách toàn cầu đang rõ ràng chuyển hướng sang năng lượng tái tạo, đặc biệt là gió và mặt trời. Các nguồn này phụ thuộc nhiều vào dự báo thời tiết chính xác — đây là nơi GenCast đóng vai trò tối ưu hóa sản xuất năng lượng:

• Dự báo điện gió: Dự đoán chính xác tốc độ và hướng gió giúp các công ty năng lượng ước tính sản lượng từ các trang trại gió, qua đó cải thiện độ tin cậy của lưới và phân phối năng lượng hiệu quả.
• Lập kế hoạch năng lượng mặt trời: Dự báo chính xác các biến quan trọng như mây che phủ và cường độ ánh nắng cho phép đơn vị vận hành điện mặt trời lên kế hoạch lưu trữ và phân phối hiệu quả.
• Ổn định lưới điện: Nâng cao năng lực dự báo với GenCast cho phép nhà cung cấp năng lượng cân bằng cung - cầu, từ đó giảm nguy cơ mất điện hoặc lãng phí năng lượng.

Nông nghiệp và giao thông vận tải

Điều kiện thời tiết là yếu tố then chốt trong nông nghiệp và hậu cần. Một số trường hợp sử dụng được nêu dưới đây. 

• Nông nghiệp: Các quyết định then chốt như gieo trồng, tưới tiêu, thu hoạch phụ thuộc vào thời tiết, nên dự báo chính xác rất quan trọng. Độ chính xác của GenCast với thời gian báo trước dài hơn giúp nông dân lập kế hoạch và tối ưu các hoạt động để tăng năng suất và giảm tổn thất.
• Giao thông vận tải và logistics: Tối ưu hóa toán học là ứng dụng quen thuộc trong vận tải và logistics. Tuy nhiên, việc tối ưu này phụ thuộc vào dự báo chính xác để các công ty lập kế hoạch lộ trình và lịch trình. Đây là điều mô hình dự báo tiên tiến của GenCast giúp thực hiện. 
• Quản trị chuỗi cung ứng: Doanh nghiệp có thể dự đoán tốt hơn gián đoạn do thời tiết cực đoan và điều chỉnh chuỗi cung ứng tương ứng, giảm kém hiệu quả và chi phí.

Những ứng dụng này nhấn mạnh giá trị của GenCast trong việc tạo ra tác động đáng kể trên nhiều ngành.

Thách thức và hướng đi tương lai

Dù là bước đột phá, GenCast chưa hoàn hảo. Dưới đây là một số hạn chế hiện tại:

• Độ phân giải thấp hơn: Độ phân giải 0,25 độ chưa mịn bằng các mô hình truyền thống như 0,1 độ của ECMWF. Ở đây, “độ phân giải” nghĩa là độ phân giải không gian của GenCast — khu vực nhỏ nhất mà mô hình có thể phân biệt trong dự báo. Độ phân giải 0,25 độ nghĩa là mỗi ô lưới đại diện khu vực khoảng 28 km × 28 km tại xích đạo, trong khi 0,1 độ của ECMWF là lưới mịn hơn 11 km × 11 km.
• Tích hợp dữ liệu thời gian thực: Hiện tại, GenCast chưa thể tích hợp dữ liệu thời gian thực hoặc dự đoán mây che phủ hiệu quả.
• Dự đoán sự kiện hiếm: Do dựa vào 40 năm dữ liệu lịch sử, GenCast gặp khó khi dự đoán sự kiện hiếm, như thảm họa “trăm năm có một”.
• Nhu cầu tính toán cao: Dù hiệu quả, các mô hình khuếch tán vẫn cần tài nguyên đáng kể. Các kỹ thuật như chưng cất mô hình — nơi một mô hình nhỏ học từ mô hình lớn, phức tạp — có thể giúp giảm tải.

Cách bạn có thể sử dụng GenCast trong công việc

Các nhà phát triển và nhà khoa học dữ liệu quan tâm đến GenCast có thể truy cập triển khai thông qua kho GitHub GraphCast và GenCast của Google DeepMind. Kho này cung cấp nhiều tài nguyên như mã mẫu, trọng số mô hình đã huấn luyện và hướng dẫn chi tiết để chạy và huấn luyện mô hình dự báo thời tiết GenCast. 

Kho cũng bao gồm các notebook Jupyter như gencast_mini_demo.ipynb, cung cấp hướng dẫn từng bước để tải dữ liệu, tạo dự đoán và tính gradient. Ngoài ra, kho chứa các tiện ích thiết yếu hỗ trợ khám phá khả năng dự báo của GenCast.

Ghi chú bổ sung về dự báo và xác suất

Dự báo dựa vào các kỹ thuật toán học để nhận diện mẫu và dự đoán kết quả tương lai. Phân tích chuỗi thời gian, mô hình hồi quy và thuật toán máy học đều góp phần lý giải dữ liệu lịch sử. Một ví dụ kinh điển về dự báo dựa trên dữ liệu được thể hiện trong câu nói nổi tiếng của Rob Hyndman: “Bạn có thể dự báo mưa dựa trên số lượng người đi xe đạp trên đường.” Nghe có vẻ hài hước, nhưng nó minh họa cách các mối quan hệ giữa biến — như việc người ta tránh đạp xe khi thời tiết xấu — có thể được dùng để đưa ra dự đoán có cơ sở.

Nhiều bài toán dự báo liên quan đến các hệ phi tuyến, nơi thay đổi nhỏ ở điều kiện ban đầu có thể dẫn đến kết quả rất khác nhau. Điều này đặc biệt đúng với các hệ phức tạp, động như thời tiết hoặc thị trường tài chính. Dù có thách thức, các mô hình toán học vẫn có thể trích xuất xu hướng có ý nghĩa và tạo ra dự báo với các mức độ tin cậy khác nhau.

Vai trò của mô hình xác suất trong dự báo

Các phương pháp dự báo truyền thống thường đưa ra ước lượng điểm đơn lẻ, nhưng các hệ thống thực tế vốn dĩ bất định. Mô hình hóa xác suất cải thiện so với dự báo tất định bằng cách ước tính một phân phối các kết quả có thể xảy ra. Thay vì nói “Ngày mai sẽ mưa”, một mô hình xác suất có thể dự đoán 70% khả năng mưa, qua đó phản ánh bất định đi kèm các hệ thống phức tạp.

Phương pháp này sử dụng các phân phối xác suất có điều kiện, suy luận Bayes và quá trình ngẫu nhiên để định lượng bất định. Các kỹ thuật tương tự được dùng trong những mô hình AI như ChatGPT, dự đoán từ tiếp theo trong câu bằng cách cân nhắc xác suất của các lựa chọn. Thay vì dự đoán từ, các mô hình dự báo sử dụng xác suất để dự đoán sự kiện, xu hướng và điều kiện.

GenCast áp dụng các khái niệm này như thế nào

GenCast tận dụng cả kỹ thuật dự báo lẫn mô hình xác suất để cải thiện độ chính xác. Thay vì cung cấp một kết quả tất định duy nhất, nó mô hình hóa khả năng của các trạng thái tương lai khác nhau dựa trên dữ liệu lịch sử và thời gian thực. Nhờ vậy, nó tính đến bất định và biến thiên, khiến kết quả đáng tin cậy hơn các mô hình truyền thống.

Kết luận

GenCast không chỉ là một mô hình dự báo thời tiết; đó là cái nhìn thoáng qua về tương lai của dự đoán vận hành bởi AI. Thực sự, nó có tiềm năng cách mạng hóa các ngành, nâng cao khả năng chuẩn bị cho thảm họa và thậm chí cứu sống con người. Sẽ rất đáng mong đợi được chứng kiến bước nhảy vọt mang tính chuyển đổi của GenCast và tác động của nó trong những năm tới.

Bài viết này đề cập đến nhiều ý tưởng khác nhau, và may mắn là tại DataCamp chúng tôi có đầy đủ tài nguyên để hỗ trợ. Tôi sẽ đính kèm các lựa chọn bên dưới để bạn tiếp tục học về dự báo, mô hình xác suất và các khái niệm AI sinh.

• Khái niệm về AI sinh: Tìm hiểu cách các mô hình AI sinh được phát triển và cách chúng sẽ tác động đến xã hội trong tương lai.
• Dự báo trong R: Học cách đưa ra dự đoán về tương lai bằng dự báo chuỗi thời gian trong R, gồm mô hình ARIMA và các phương pháp san bằng mũ.
• Nền tảng Xác suất trong Python: Học các khái niệm xác suất cơ bản như biến ngẫu nhiên, kỳ vọng và phương sai, phân phối xác suất và xác suất có điều kiện.
• Các khóa học AI: Xây dựng kỹ năng về AI sinh, kỹ thuật nhắc lệnh, học sâu và nhiều nội dung khác.