AI đang được dùng trong khoa học khí hậu chủ yếu theo ba cách: làm mô hình mô phỏng nhanh thay cho những phần tính toán tốn kém, làm chi tiết kết quả mô hình toàn cầu xuống từng vùng, và dò tìm hiện tượng cực đoan trong khối dữ liệu khổng lồ. Nó giúp nhà khoa học chạy được nhiều thí nghiệm hơn với cùng một lượng máy tính, nhưng chưa thay thế được các mô hình vật lý làm nền cho kịch bản khí hậu.
Lý do nằm ở bản chất của câu hỏi khí hậu: khí hậu tương lai là điều chưa từng xảy ra, nên không có sẵn trong dữ liệu quá khứ để AI học. Bài này giải thích mô hình khí hậu là gì, AI đang giúp ở đâu, vì sao giới khoa học vẫn thận trọng, và cách đọc những tin kiểu "AI dự báo khí hậu năm 2100" cho tỉnh táo. Phần AI trong dự báo thời tiết hằng ngày có danh mục riêng của trang.
Mô hình khí hậu là gì và vì sao tốn máy tính
Mô hình khí hậu là một chương trình máy tính khổng lồ mô tả khí quyển, đại dương, băng, đất liền và các dòng trao đổi năng lượng, nước giữa chúng bằng các phương trình vật lý. Trái đất được chia thành lưới ô ba chiều, mỗi ô có nhiệt độ, độ ẩm, gió, và chương trình tính xem các giá trị đó thay đổi thế nào qua từng bước thời gian ngắn, liên tục trong hàng trăm năm mô phỏng.
Để mô phỏng một thế kỷ cho một kịch bản phát thải, mô hình phải tính hàng triệu bước thời gian trên hàng triệu ô lưới. Các trung tâm khí hậu lớn trên thế giới dùng siêu máy tính chạy nhiều tuần, nhiều tháng cho một bộ thí nghiệm. Muốn thử nhiều kịch bản, nhiều cách thiết lập, nhiều lần chạy để đo độ bất định, chi phí tính toán tăng lên rất nhanh.
Thêm một khó khăn: nhiều quá trình quan trọng như mây, dông, xoáy nhỏ trong đại dương xảy ra ở quy mô nhỏ hơn một ô lưới. Mô hình không tính trực tiếp được nên phải dùng công thức gần đúng, gọi là tham số hoá. Đây là nguồn chênh lệch lớn giữa các mô hình, và cũng là nơi AI đang được thử nghiệm nhiều.
Khác với mô hình dự báo thời tiết chỉ cần chạy vài ngày từ trạng thái hiện tại, mô hình khí hậu phải giữ được cân bằng năng lượng ổn định qua hàng trăm năm. Một sai số nhỏ tích luỹ dần có thể làm mô hình "trôi" sang một khí hậu không có thật. Yêu cầu này khiến việc thay mô hình vật lý bằng AI khó hơn nhiều so với dự báo thời tiết.
Ba cách AI đang được dùng trong nghiên cứu khí hậu
Mô hình mô phỏng nhanh. Người ta huấn luyện mạng học máy trên kết quả của mô hình vật lý, để nó bắt chước được hành vi của mô hình gốc với chi phí tính toán thấp hơn rất nhiều. Khi đó có thể chạy hàng nghìn lần với những giả định khác nhau để khám phá độ bất định, việc mà mô hình gốc không đủ máy để làm.
Thay thế từng phần tham số hoá. Thay vì thay cả mô hình, một số nhóm nghiên cứu dùng AI học cách mây và dông hoạt động từ những mô phỏng rất chi tiết, rồi gắn phần đó vào mô hình vật lý. Kiểu kết hợp này gọi là mô hình lai, giữ phần vật lý làm khung và để AI lo phần khó mô tả bằng công thức.
Hạ quy mô xuống từng vùng. Mô hình toàn cầu có ô lưới lớn, không phân biệt được thung lũng với sườn núi. AI được dùng để học mối liên hệ giữa khí hậu quy mô lớn và quan trắc tại chỗ, từ đó tạo thông tin chi tiết hơn cho từng vùng với chi phí thấp hơn chạy mô hình khu vực.
Dò tìm trong dữ liệu. Kết quả mô hình và dữ liệu quan trắc vệ tinh lên tới khối lượng rất lớn. AI giúp tìm tự động những cơn bão, những đợt nắng nóng, những dải mưa lớn trong hàng trăm năm dữ liệu, để thống kê tần suất của chúng dưới các kịch bản khác nhau.
Mô hình vật lý, mô hình AI và mô hình lai: so sánh
Bảng dưới so sánh ba hướng tiếp cận ở mức nguyên lý. Lĩnh vực này thay đổi nhanh; khi đọc về một mô hình cụ thể, bạn kiểm công bố mới nhất của nhóm phát triển.
| Tiêu chí | Mô hình vật lý | Mô hình AI thuần | Mô hình lai |
|---|---|---|---|
| Nền tảng | Phương trình vật lý và tham số hoá | Học từ dữ liệu mô hình hoặc quan trắc | Khung vật lý, một số phần do AI đảm nhận |
| Tốc độ | Chậm, cần siêu máy tính | Rất nhanh sau khi huấn luyện | Nhanh hơn mô hình vật lý tương đương |
| Ngoại suy sang khí hậu chưa có | Dựa vào định luật vật lý nên có cơ sở | Yếu, dễ sai khi điều kiện vượt ngoài dữ liệu học | Tốt hơn AI thuần nhưng còn đang kiểm chứng |
| Bảo toàn năng lượng, khối lượng | Được thiết kế để bảo toàn | Không tự đảm bảo nếu không ràng buộc thêm | Phụ thuộc cách ghép |
| Dùng cho kịch bản chính thức | Là nền của các báo cáo đánh giá | Chủ yếu để nghiên cứu, khám phá | Đang được nghiên cứu, thử nghiệm |
Điểm mấu chốt là dòng ngoại suy. Mô hình AI học từ quá khứ giỏi tái tạo những gì nó đã thấy, nhưng khí hậu cuối thế kỷ dưới kịch bản phát thải cao có thể chứa những trạng thái chưa từng có trong dữ liệu học.
Vì sao giới khoa học vẫn thận trọng
Trong dự báo thời tiết, mô hình AI đã cho kết quả cạnh tranh được với mô hình truyền thống ở nhiều chỉ số, vì bài toán là đoán vài ngày tới trong điều kiện khí hậu giống những năm đã có dữ liệu. Với khí hậu, bài toán khác hẳn: trả lời điều gì sẽ xảy ra khi lượng khí nhà kính cao hơn mọi giai đoạn có quan trắc hiện đại. Đó là ngoại suy, việc mà các phương pháp học từ dữ liệu vốn yếu.
Lo ngại thứ hai là tính ổn định. Một mô hình AI chạy tốt trong vài tuần mô phỏng có thể dần trôi khi chạy hàng trăm năm, tạo ra khí hậu quá nóng, quá lạnh hoặc mất cân bằng nước. Các nhóm nghiên cứu đang thêm những ràng buộc vật lý để khắc phục, nhưng việc kiểm chứng cần thời gian và cần cộng đồng khoa học xem xét độc lập.
Lo ngại thứ ba là khó giải thích. Khi mô hình vật lý cho một kết quả bất thường, nhà khoa học có thể lần theo phương trình để hiểu vì sao. Với mạng học máy, việc này khó hơn nhiều. Trong một lĩnh vực mà kết quả được dùng cho chính sách và quy hoạch hàng chục năm, khả năng giải thích được rất quan trọng.
Vì vậy, xu hướng hiện nay là kết hợp: dùng AI ở những chỗ nó mạnh, giữ vật lý ở những chỗ cần độ tin cậy dài hạn, và luôn so sánh với quan trắc thật.
Dữ liệu trong nước: điều kiện để AI hữu ích cho Việt Nam
AI học từ dữ liệu, nên chất lượng kết quả cho một vùng phụ thuộc vào dữ liệu của chính vùng đó. Với Việt Nam, nguồn quý nhất là chuỗi số liệu quan trắc nhiều chục năm của mạng lưới trạm khí tượng, thuỷ văn, hải văn, cùng số liệu đo mưa ở các điểm đo tự động lắp thêm trong những năm gần đây. Địa hình hẹp và dài, núi sát biển, nhiều tiểu vùng khí hậu khiến số liệu tại chỗ quan trọng hơn so với những vùng đồng bằng rộng và đồng nhất.
Khó khăn thường gặp là chuỗi số liệu có chỗ đứt quãng, trạm được di dời, thiết bị thay đổi theo thời gian. Trước khi đưa vào huấn luyện mô hình, số liệu cần được kiểm tra, đồng nhất hoá, nếu không AI sẽ học cả những sai lệch do thay thiết bị mà tưởng là thay đổi khí hậu. Đây là công việc tỉ mỉ, ít được nhắc tới nhưng quyết định chất lượng mọi kết quả phía sau.
Với sinh viên và người làm nghiên cứu trẻ, đây cũng là chỗ có nhiều việc ý nghĩa: không nhất thiết phải xây mô hình AI khổng lồ, mà có thể đóng góp ở khâu làm sạch dữ liệu, kiểm chứng kết quả của các mô hình quốc tế với số liệu trong nước, hoặc làm công cụ giúp địa phương đọc kết quả kịch bản. Việc tiếp cận số liệu chính thức cần theo quy định về khai thác, sử dụng thông tin dữ liệu khí tượng thuỷ văn hiện hành.
Đọc tin "AI dự báo khí hậu" cho tỉnh táo
Tin tức về AI và khí hậu xuất hiện thường xuyên, có tin chính xác, có tin phóng đại. Những câu hỏi sau giúp bạn lọc nhanh.
- Mô hình đó dự báo thời tiết vài ngày hay mô phỏng khí hậu nhiều thập kỷ? Hai việc rất khác nhau, thành công ở việc này không tự động chuyển sang việc kia.
- Kết quả đã được công bố trên tạp chí khoa học có bình duyệt hay mới là thông cáo của công ty?
- Mô hình được kiểm chứng thế nào: có so với quan trắc thật và với các mô hình vật lý không?
- Bài viết có nói đến giới hạn, độ bất định, điều kiện áp dụng không? Tin chỉ nói ưu điểm thường là tin quảng bá.
- Con số "nhanh hơn hàng nghìn lần" thường chưa tính thời gian và máy tính dùng để huấn luyện ban đầu.
- Kết quả có dùng cho Việt Nam được không, hay chỉ kiểm chứng ở vùng có nhiều dữ liệu như Bắc Mỹ, châu Âu?
Câu hỏi cuối đặc biệt quan trọng với người đọc trong nước. Mạng lưới trạm quan trắc ở nhiều vùng nhiệt đới thưa hơn ở các nước giàu, nên mô hình học từ dữ liệu có thể kém chính xác hơn ở đây, nhất là với mưa lớn cục bộ và địa hình phức tạp.
Dùng chatbot để hiểu một bài báo khoa học về AI và khí hậu
Nếu bạn là sinh viên, giáo viên hay người làm truyền thông cần đọc một nghiên cứu về chủ đề này, chatbot AI có thể làm người giải thích kiên nhẫn. Quy trình dưới đây giúp bạn không bị nó dẫn sai.
- Đưa phần tóm tắt và phần kết luận của bài báo vào công cụ. Nếu bạn kèm ghi chú cá nhân, bỏ thông tin riêng của mình ra.
- Câu lệnh mẫu: "Giải thích nghiên cứu này cho người học năm nhất: họ làm gì, dùng dữ liệu nào, kiểm chứng ra sao, giới hạn tác giả tự nêu là gì. Chỉ dựa vào đoạn đã đưa."
- Hỏi tiếp: "Nghiên cứu này là về dự báo thời tiết hay mô phỏng khí hậu dài hạn? Có ngoại suy sang điều kiện chưa có trong dữ liệu không?"
- Yêu cầu chatbot chỉ ra câu gốc tương ứng với mỗi ý nó giải thích, rồi tự đọc lại câu gốc.
- Nếu chatbot nhắc đến nghiên cứu khác hoặc tên mô hình khác, coi là gợi ý cần tự tìm, không trích lại khi chưa kiểm.
Cách làm này giúp bạn hiểu nhanh mà vẫn bám vào văn bản gốc. Khi viết lại cho người khác, giữ nguyên các chữ thể hiện độ bất định mà tác giả dùng, đừng để bản tóm tắt chắc chắn hơn chính nghiên cứu.
Câu hỏi thường gặp
AI có thay thế được mô hình khí hậu truyền thống không?
Hiện chưa. AI giúp chạy nhanh, làm chi tiết theo vùng và xử lý dữ liệu lớn, nhưng các kịch bản khí hậu chính thức vẫn dựa trên mô hình vật lý. Hướng đang được nghiên cứu nhiều là mô hình lai, kết hợp vật lý với AI.
Vì sao AI dự báo thời tiết tốt mà mô phỏng khí hậu lại khó?
Dự báo thời tiết đoán vài ngày tới trong điều kiện giống quá khứ, nên học từ dữ liệu hiệu quả. Mô phỏng khí hậu phải ngoại suy sang điều kiện chưa từng có và giữ ổn định hàng trăm năm, là những việc phương pháp học từ dữ liệu còn yếu.
Mô hình mô phỏng nhanh là gì?
Đó là mạng học máy được huấn luyện để bắt chước kết quả của một mô hình vật lý tốn kém, nhưng chạy nhanh hơn rất nhiều. Nhờ vậy nhà khoa học có thể chạy hàng nghìn thí nghiệm để khám phá độ bất định của kết quả.
Tham số hoá trong mô hình khí hậu nghĩa là gì?
Nhiều quá trình như mây, dông xảy ra ở quy mô nhỏ hơn ô lưới của mô hình, nên phải mô tả bằng công thức gần đúng gọi là tham số hoá. Đây là nguồn chênh lệch lớn giữa các mô hình và là nơi AI đang được thử để cải thiện.
Kết quả AI về khí hậu có áp dụng được cho Việt Nam không?
Cần thận trọng. Nhiều mô hình được kiểm chứng chủ yếu ở vùng có mạng lưới quan trắc dày. Ở vùng nhiệt đới có địa hình phức tạp và mưa cục bộ như Việt Nam, kết quả cần được đánh giá riêng với số liệu trong nước.
Làm sao biết một tin về AI và khí hậu có đáng tin?
Xem kết quả đã được bình duyệt chưa, có so với quan trắc thật không, có nêu giới hạn không, và đang nói về thời tiết vài ngày hay khí hậu nhiều thập kỷ. Tin chỉ nói ưu điểm, không nhắc độ bất định thường là tin quảng bá.