AI GraphCast của DeepMind dự báo thời tiết ra sao trong kỷ nguyên số? Mô hình đột phá này vận dụng kiến trúc mạng nơ-ron đồ thị GNN, cho phép tạo ra bản tin dự báo toàn cầu 10 ngày trong vòng dưới 60 giây. Năng lực xử lý thần tốc này mở ra bước ngoặt mới cho ngành khí tượng học hiện đại.

Tóm tắt thông tin quan trọng:

  • Tốc độ xử lý kỷ lục: Dự báo thời tiết toàn cầu 10 ngày tới trong vòng dưới 60 giây trên một máy chủ trang bị chip Google TPU v4.
  • Độ chuẩn xác vượt trội: Vượt qua hệ thống siêu máy tính số trị HRES của Châu Âu ở hơn 90% trong số 1.380 chỉ tiêu kiểm định WMO.
  • Cảnh báo bão sớm: Nhận diện chính xác quỹ đạo bão nhiệt đới và sự hình thành các dòng sông khí quyển (Atmospheric Rivers) sớm hơn 3 ngày.
  • Theo dõi ảnh mây radar vệ tinh và dự báo dông bão ven biển Đông Bắc tại thời tiết Quảng Ninh hôm nay để chủ động lịch trình tàu bè.

AI GraphCast là gì và bước đột phá lịch sử trong khoa học khí tượng

Vào tháng 11 năm 2023, tạp chí khoa học danh tiếng Science đã công bố một công trình nghiên cứu làm chấn động toàn bộ cộng đồng khí tượng toàn cầu: mô hình trí tuệ nhân tạo mang tên GraphCast do nhóm nghiên cứu tại Google DeepMind phát triển. Lần đầu tiên trong lịch sử, một thuật toán học máy thuần túy đã vượt qua hệ thống dự báo số trị tinh vi nhất hành tinh của Trung tâm Dự báo Thời tiết Hạn vừa Châu Âu (ECMWF) về cả độ chính xác lẫn tốc độ xử lý. Để hiểu được bước nhảy vọt này, chúng ta cần nhìn lại vai trò của siêu máy tính khí tượng trong suốt sáu thập kỷ qua.

Trước khi GraphCast ra đời, phương pháp dự báo thời tiết số trị truyền thống (Numerical Weather Prediction – NWP) vận hành dựa trên việc giải các hệ phương trình vi phân đạo hàm riêng Navier-Stokes mô tả định luật bảo toàn động lượng, khối lượng và nhiệt động lực học của khí quyển. Quy trình này đòi hỏi các siêu máy tính đồ sộ tiêu tốn hàng triệu đô la điện năng và mất từ một đến hai giờ đồng hồ để tính toán một kịch bản dự báo toàn cầu.

Ngược lại, GraphCast tiếp cận bài toán theo một hướng hoàn toàn mới: học có giám sát từ dữ liệu quan trắc lịch sử (Data-driven Weather Forecasting). Thay vì giải các phương trình vật lý từ đầu, mô hình học cách bầu khí quyển tự biến chuyển qua từng giờ từ kho dữ liệu khổng lồ trong quá khứ, mở ra một chương mới cho khoa học khí tượng thế giới.

Kiến trúc mạng nơ-ron đồ thị Graph Neural Network của mô hình AI GraphCast trên lưới cầu Trái Đất
Kiến trúc mạng nơ-ron đồ thị GNN biểu diễn khí quyển toàn cầu qua cấu trúc lưới đa diện phân cấp

Kiến trúc mạng nơ-ron đồ thị (GNN) và nguyên lý vận hành độc đáo

Bí mật sức mạnh của GraphCast nằm ở kiến trúc Mạng nơ-ron đồ thị phân cấp (Hierarchical Graph Neural Network). Các kỹ sư của Google DeepMind đã giải quyết một thách thức toán học kinh điển: làm thế nào để ánh xạ toàn bộ bầu khí quyển hình cầu của Trái Đất lên một cấu trúc mạng máy học mà không làm sai lệch diện tích ở vùng hai cực.

1. Cấu trúc lưới cầu đa diện phân cấp (Multi-mesh)

GraphCast không chia Trái Đất thành các ô vuông kinh độ – vĩ độ đơn thuần (vốn bị biến dạng thu nhỏ tại cực bắc và cực nam). Thay vào đó, mô hình sử dụng một khối đa diện 20 mặt đều (Regular Icosahedron) rồi phân chia đệ quy 6 cấp liên tiếp để tạo ra một mạng lưới đồ thị gồm hàng chục ngàn nút mạng phân bố đều đặn trên toàn cầu. Các nút mạng này bao phủ 37 tầng thẳng đứng trong khí quyển (từ mặt đất lên đến tầng bình lưu ở độ cao khoảng 30 km).

2. Cơ chế Mã hóa – Xử lý đồ thị – Giải mã (Encode-Process-Decode)

Quy trình dự báo của GraphCast diễn ra qua ba bước tinh gọn nhưng mang sức mạnh tính toán phi thường:

  • Bộ mã hóa (Encoder): Chuyển đổi dữ liệu khí tượng bề mặt và các tầng khí quyển tại hai thời điểm gần nhất (thời điểm hiện tại t và thời điểm 6 giờ trước t-6) từ lưới tọa độ địa lý 0,25 độ sang các nút mạng đồ thị đa diện.
  • Bộ xử lý đồ thị (Processor): Thực hiện 16 lớp truyền thông điệp (Message Passing) liên tiếp trên mạng đồ thị. Tại đây, thông tin về gió, áp suất, độ ẩm và nhiệt độ được các nút mạng trao đổi với các nút lân cận, mô phỏng chân thực sự tương tác động lực học giữa các khối khí quyển trên quy mô toàn cầu.
  • Bộ giải mã (Decoder): Ánh xạ các đặc trưng từ mạng đồ thị quay trở lại lưới tọa độ kinh vĩ độ ban đầu, xuất ra trạng thái dự báo của khí quyển ở thời điểm 6 giờ tiếp theo (t+6).

Bằng cách sử dụng đầu ra t+6 làm đầu vào mới và lặp lại quy trình này (Autoregressive Rollout), GraphCast có thể tạo ra chuỗi dự báo kéo dài 10 ngày (tương đương 40 bước lặp) chỉ trong vòng chưa đầy 60 giây.

Giao diện trực quan hóa nền tảng Google WeatherLab cho phép người dùng đối chiếu mô hình AI
Nền tảng Google WeatherLab trực quan hóa trường gió và nhiệt độ do mô hình GraphCast tính toán thời gian thực

So sánh đối đầu: AI GraphCast vs Siêu máy tính HRES và các mô hình AI khác

Để đánh giá khách quan năng lực của GraphCast, cộng đồng quốc tế đã đặt mô hình lên bàn cân đối chứng với hệ thống HRES của ECMWF cũng như các mô hình học máy đình đám khác như mô hình AI Pangu-Weather của tập đoàn Huawei hay FourCastNet của NVIDIA:

Tiêu chí so sánh AI GraphCast (Google DeepMind) AI Pangu-Weather (Huawei) Mô hình HRES (ECMWF – Châu Âu)
Kiến trúc thuật toán Mạng nơ-ron đồ thị phân cấp (Graph Neural Network) Mạng biến đổi 3D (3D Earth-Specific Transformer) Phương trình vi phân thủy nhiệt động lực học tích phân
Thời gian tính toán (10 ngày) Dưới 60 giây (trên 1 chip TPU v4) Khoảng 1,4 giây (trên 1 GPU NVIDIA) Từ 1 đến 2 giờ (trên siêu máy tính hàng ngàn CPU)
Mức tiêu thụ năng lượng Khoảng 0,5 kWh điện năng Khoảng 0,2 kWh điện năng Hàng ngàn kWh điện năng mỗi chu kỳ dự báo
Độ phân giải không gian 0,25 độ kinh vĩ (khoảng 28 km tại xích đạo) 0,25 độ kinh vĩ (khoảng 28 km) 9 km (Độ phân giải cực cao toàn cầu)
Tập dữ liệu huấn luyện 39 năm dữ liệu tái phân tích ERA5 (1979 – 2017) 39 năm dữ liệu tái phân tích ERA5 (1979 – 2017) Quan trắc trực tiếp toàn cầu qua mạng viễn thông GTS
Cơ chế lý giải vật lý Hộp đen học máy từ dữ liệu thống kê Hộp đen học máy từ dữ liệu thống kê Bảo toàn hoàn hảo khối lượng, động lượng và năng lượng
Năng lực bắt hiện tượng cực đoan Rất tốt với bão lớn và sông khí quyển Tốt với quỹ đạo bão diện rộng Xuất sắc với lượng mưa cục bộ và vi khí hậu đồi núi

Kết quả đối soát trên 1.380 chỉ tiêu kiểm định WMO cho thấy GraphCast chiến thắng áp đảo hệ thống HRES ở hơn 90% biến số khí quyển. Đặc biệt ở các tầng khí quyển tự do (từ 850 hPa đến 200 hPa), sai số RMSE nhiệt độ và hướng gió của GraphCast thấp hơn rõ rệt so với mô hình vật lý truyền thống.

Biểu đồ so sánh sai số kiểm định giữa mô hình AI GraphCast và siêu máy tính HRES của ECMWF
GraphCast vượt trội mô hình HRES ở 90% chỉ số kiểm nghiệm bao gồm nhiệt độ, gió và khí áp đa tầng

Năng lực cảnh báo sớm thiên tai: Quỹ đạo bão biển và các dòng sông khí quyển

Giá trị nhân văn và kinh tế lớn nhất của GraphCast nằm ở khả năng cảnh báo sớm các hiện tượng thiên tai cực đoan đe dọa sinh mạng con người:

1. Theo dõi quỹ đạo bão nhiệt đới sớm hơn 3 ngày

Trong mùa bão Đại Tây Dương năm 2023, siêu bão Lee đã xuất hiện và diễn biến hết sức phức tạp. Trong khi các mô hình số trị truyền thống liên tục thay đổi điểm đổ bộ dự kiến giữa vùng bờ biển phía Đông nước Mỹ và Canada, thì GraphCast đã xác định chính xác điểm bão đổ bộ vào tỉnh Nova Scotia (Canada) trước thời điểm thực tế tới 9 ngày – sớm hơn các mô hình truyền thống tới trọn vẹn 3 ngày. Khả năng phát hiện sớm vùng tâm xoáy áp thấp giúp chính quyền các địa phương ven biển chủ động sơ tán tàu thuyền và gia cố đê điều kịp thời.

2. Dự báo các dòng sông khí quyển (Atmospheric Rivers)

Sông khí quyển là những dải hơi nước khổng lồ chuyển động cuồn cuộn trên không trung, mang theo lượng nước tương đương lưu lượng của sông Amazon và là thủ phạm gây ra các vụ lũ lụt lịch sử tại vùng ven biển. GraphCast được huấn luyện để nhận diện trường ẩm tích hợp toàn cột (Total Column Water Vapour), cho phép phán đoán chính xác vị trí sông khí quyển trút mưa xối xả trước nhiều ngày.

Những giới hạn vật lý của AI và xu hướng mô hình lai kết hợp (Hybrid Forecasting)

Dù sở hữu tốc độ tính toán thần tốc và độ chuẩn xác vượt bậc, giới chuyên gia khí tượng quốc tế vẫn chỉ rõ những hạn chế mang tính cố hữu của GraphCast và các mô hình học máy:

Vấn đề hộp đen (Black-box): AI đưa ra kết quả dựa trên các mối tương quan thống kê ẩn trong mạng nơ-ron thay vì tuân thủ tuyệt đối các định luật vật lý cơ bản. Trong một số trường hợp cực đoan chưa từng có trong lịch sử dữ liệu huấn luyện, AI có thể vi phạm định luật bảo toàn khối lượng (ví dụ tự sinh ra hoặc làm biến mất một lượng hơi nước phi lý).

Độ nhòe dự báo tầm xa (Blurriness): Khi chạy dự báo bước lặp sang ngày thứ 8 đến ngày thứ 10, các trường khí áp của GraphCast có xu hướng bị làm phẳng và làm mịn (Smoothing Effect), dẫn đến việc đánh giá thấp cường độ đỉnh của các cơn lốc xoáy quy mô nhỏ.

Thiếu khả năng mô phỏng vi khí hậu: Với kích thước ô lưới 28 km, GraphCast chưa thể nắm bắt được sự tương tác vi khí hậu phức tạp giữa địa hình núi đồi hiểm trở và hoàn lưu gió mùa địa phương, điều mà các mô hình số trị khu vực như mô hình số trị WRF đang đảm nhiệm rất tốt với độ phân giải lưới khí hậu siêu mịn từ 1 đến 3 km.

Chính vì vậy, tương lai của ngành khí tượng thế giới không phải là AI xóa sổ hoàn toàn phương pháp truyền thống, mà là mô hình lai kết hợp (Hybrid Weather Modeling): Siêu máy tính số trị chạy các phương trình vật lý nền tảng để tạo dữ liệu ban đầu, và AI GraphCast tiếp quản khâu tính toán lan truyền để đưa ra hàng ngàn kịch bản tổ hợp với tốc độ tính bằng giây và chi phí năng lượng gần như bằng không.

Khả năng dự báo quỹ đạo bão nhiệt đới và sông khí quyển sớm hơn các phương pháp truyền thống
Mô hình AI dự đoán chuẩn xác điểm đổ bộ của bão Lee trên Đại Tây Dương sớm hơn các mô hình truyền thống 72 giờ

Câu hỏi thường gặp về mô hình AI GraphCast DeepMind (FAQ)

AI GraphCast có thể thay thế hoàn toàn các siêu máy tính khí tượng truyền thống không?

Không thể thay thế hoàn toàn mà mang tính chất cộng hưởng bổ trợ. GraphCast học từ dữ liệu tái phân tích ERA5 của chính ECMWF sản xuất. Nếu không có hệ thống siêu máy tính vật lý và mạng lưới quan trắc mặt đất truyền thống thu thập dữ liệu hàng ngày, AI sẽ không có nguồn dữ liệu chuẩn để học tập và cập nhật.

GraphCast vận hành trên phần cứng máy tính nào và tiêu tốn bao nhiêu điện năng?

GraphCast được tối ưu hóa để chạy trên một máy chủ đám mây trang bị một chip chuyên dụng Google Cloud TPU v4. Quá trình tính toán dự báo 10 ngày chỉ tiêu thụ một lượng điện năng rất nhỏ (dưới 1 kWh), tiết kiệm năng lượng khoảng 1.000 lần so với việc vận hành toàn bộ cụm siêu máy tính truyền thống.

Tại sao DeepMind lại chọn cấu trúc mạng nơ-ron đồ thị (GNN) thay vì mạng nơ-ron thông thường?

Trái Đất là một khối cầu, nếu biểu diễn bằng lưới tọa độ vuông kinh vĩ độ thông thường sẽ bị méo mó nghiêm trọng ở hai vùng cực. GraphCast sử dụng lưới đa diện 20 mặt (Icosahedron) phân cấp lồng nhau, giúp các nút mạng phân bố đều đặn trên toàn bộ bề mặt hình cầu, cho phép thông tin khí quyển lan truyền tự nhiên theo mọi hướng.

Mô hình AI này có khả năng dự báo lượng mưa lũ chi tiết cho từng quận huyện không?

Hiện tại độ phân giải của GraphCast là 0,25 độ (khoảng 28 km x 28 km mỗi ô lưới), rất tốt cho việc nhận diện hoàn lưu bão và rãnh áp thấp quy mô lớn nhưng chưa đủ chi tiết để dự báo các cơn mưa dông nhiệt cục bộ trong phạm vi một phường xã. Dự báo vi khí hậu vẫn cần các mô hình số trị khu vực độ phân giải cao.

Người dùng phổ thông có thể trải nghiệm dự báo của GraphCast ở đâu miễn phí?

Người dùng có thể truy cập nền tảng Google WeatherLab hoặc trang thử nghiệm AIFS của ECMWF. Tại đây, bạn có thể xem các lớp bản đồ nhiệt độ, trường gió, áp suất khí quyển do GraphCast và các mô hình AI thế hệ mới mô phỏng song song với mô hình HRES truyền thống.