Các nhà nghiên cứu tại MIT đã đạt được một bước đột phá quan trọng trong mô hình hóa khí hậu bằng cách phát triển một công cụ AI có khả năng dự báo các hiện tượng thời tiết cực đoan chưa từng có tiền lệ trong lịch sử. Khác với các mô hình truyền thống vốn dựa vào các thảm họa trong quá khứ để dự đoán tương lai, hệ thống mới này có thể lập bản đồ cho các thảm họa có khả năng xảy ra về mặt thống kê nhưng chưa từng xuất hiện ở một khu vực cụ thể.

Phá vỡ sự phụ thuộc vào dữ liệu lịch sử

Hầu hết các mô hình dự báo thời tiết và thuật toán học máy hiện nay đều gặp phải một hạn chế cơ bản: chúng mang tính "hướng về quá khứ". Chúng đòi hỏi các tập dữ liệu khổng lồ về các sự kiện đã xảy ra—như lũ lụt, bão hoặc các đợt nắng nóng trước đây—để nhận diện các quy luật và dự đoán rủi ro trong tương lai. Điều này trở thành một điểm yếu chí tử trong kỷ nguyên biến đổi khí hậu, nơi nhiệt độ toàn cầu đang thay đổi và tạo ra các hiện tượng thời tiết "thiên nga đen" thách thức các chuẩn mực lịch sử.

Được phát triển bởi nghiên cứu sinh kỹ thuật cơ khí Kai Chang và Giáo sư Themis Sapsis, công cụ của MIT đã bỏ qua sự phụ thuộc này. Thay vì đặt câu hỏi "Điều gì đã từng xảy ra ở đây trước đây?", mô hình này đánh giá các nguyên lý vật lý cơ bản và xác suất thống kê để trả lời câu hỏi: "Điều gì có thể xảy ra ở đây dựa trên các điều kiện khí quyển hiện tại?". Điều này cho phép AI tạo ra các bản đồ dự báo cho các hiện tượng cực đoan chưa từng có, vốn vẫn nằm trong phạm vi khả năng thống kê nhưng nằm ngoài lịch sử ghi chép của một địa điểm cụ thể.

Lập bản đồ các hiện tượng "có khả năng xảy ra về mặt thống kê"

Sự đổi mới về mặt kỹ thuật nằm ở khả năng tạo ra các bản đồ độ phân giải cao về các hiện tượng thời tiết tiềm ẩn. Những bản đồ này không chỉ đơn thuần gợi ý rằng một thảm họa có thể xảy ra; chúng cung cấp các hình ảnh trực quan hóa không gian chi tiết về việc một sự kiện có thể biểu hiện ở đâu và như thế nào.

Quan trọng hơn, công cụ này cũng cung cấp các ước tính về độ không chắc chắn cho mỗi bản đồ. Bằng cách định lượng mức độ tin cậy trong các dự báo, AI cung cấp một lớp đánh giá rủi ro sắc thái hơn. Sự phân biệt này rất quan trọng đối với các lực lượng ứng phó khẩn cấp và các nhà quy hoạch đô thị, những người không chỉ cần biết tác động tiềm tàng mà còn cần biết độ tin cậy của chính bản dự báo đó. Khả năng này biến một khả năng lý thuyết thành một chỉ số rủi ro có thể ứng dụng thực tế.

Tại sao điều này lại quan trọng đối với tương lai của khả năng chống chịu khí hậu

Những tác động đối với bối cảnh AI và khoa học khí hậu rộng lớn hơn là rất sâu sắc. Khi biến đổi khí hậu tăng tốc, "hồ sơ lịch sử" đang trở thành một hướng dẫn ngày càng thiếu tin cậy cho việc chuẩn bị trong tương lai. Các mô hình học máy truyền thống có nguy cơ bị bất ngờ bởi các sự kiện "ngoài phân phối" (out-of-distribution)—những hiện tượng nằm ngoài phạm vi của dữ liệu huấn luyện.

Cách tiếp cận của MIT chuyển đổi mô hình từ khớp mẫu (pattern matching) sang mô hình hóa dựa trên xác suất và tri thức vật lý (probabilistic physics-informed modeling). Đối với các nhà phát triển trong lĩnh vực công nghệ khí hậu (climate-tech) và những người sáng lập đang xây dựng cơ sở hạ tầng chống chịu, đây là một bước tiến tới AI mạnh mẽ và bền vững hơn với tương lai. Bằng cách chuẩn bị cho những điều "chưa từng có", xã hội có thể chuyển từ thế bị động sang thế chủ động, thiết kế các thành phố và các quy trình khẩn cấp cho thời tiết của ngày mai, thay vì thời tiết của ngày hôm qua.

Các điểm chính cần lưu ý

  • Vượt xa lịch sử: AI do MIT phát triển có thể dự báo các hiện tượng thời tiết cực đoan chưa từng xảy ra trong hồ sơ lịch sử của một khu vực.
  • Lập bản đồ xác suất: Công cụ tạo ra các bản đồ không gian chi tiết về các thảm họa tiềm ẩn, đi kèm với các ước tính độ không chắc chắn cụ thể cho mỗi dự báo.
  • Sẵn sàng ứng phó biến đổi khí hậu: Công nghệ này giải quyết lỗ hổng quan trọng trong các mô hình ML hiện tại, cho phép chuẩn bị tốt hơn trước các hiện tượng thời tiết "thiên nga đen" do khí hậu thay đổi gây ra.

Tại sao các dự báo truyền thống thường thất bại

Hầu hết các mô hình dự báo thời tiết và các phương pháp học máy đều mang tính “hướng về quá khứ”. Chúng cần các kho lưu trữ lớn về lũ lụt, bão, nắng nóng và các hiện tượng tương tự trong quá khứ để học các quy luật và dự báo rủi ro tương lai. Trong một thế giới mà nhiệt độ toàn cầu đang thay đổi nhanh hơn mức mà hồ sơ lịch sử có thể ghi lại, sự phụ thuộc đó trở thành một điểm yếu. Biến đổi khí hậu đang tạo ra các sự kiện “thiên nga đen”—những cơn bão, hạn hán hoặc các đợt nắng nóng cực điểm nằm ngoài phạm vi của các quan sát trong quá khứ. Khi một mô hình chưa từng thấy một trường hợp tương tự, kết quả đầu ra của nó có thể trở nên sai lệch hoàn toàn hoặc, tệ hơn, hoàn toàn im lặng.

Một giải pháp thay thế dựa trên vật lý

Hệ thống của MIT đảo ngược hoàn toàn cách đặt vấn đề. Thay vì hỏi “điều gì đã từng xảy ra ở đây trước đây?”, nó đánh giá các nguyên lý vật lý cơ bản thúc đẩy chuyển động của khí quyển—sự bảo toàn khối lượng, động lượng, năng lượng—và kết hợp các phương trình đó với các phương pháp thống kê để khám phá một loạt các kết quả có thể xảy ra. Bằng cách gắn kết AI với các quy luật vật lý, mô hình có thể tạo ra các kịch bản hợp lý ngay cả khi dữ liệu lịch sử không cung cấp bất kỳ chỉ dẫn nào.

Cách tiếp cận này được gọi là “dựa trên vật lý” (physics-informed) vì mạng thần kinh bị ràng buộc bởi chính các phương trình chi phối thời tiết thực tế. Điều này ngăn chặn AI tạo ra các trạng thái bất khả thi về mặt vật lý, một vấn đề thường gặp ở các mô hình thuần túy dựa trên dữ liệu khi chúng bị đẩy ra ngoài phạm vi huấn luyện. Kết quả là một tập hợp các dự báo vẫn nằm trong phạm vi khả năng thống kê trong khi vẫn phản ánh được tính chất hỗn loạn của hệ thống khí hậu.

Bản đồ hóa những gì "có khả năng về mặt thống kê"

Kết quả hiển thị rõ ràng nhất là một bộ bản đồ độ phân giải cao cho thấy nơi một sự kiện cực đoan có thể xảy ra và mức độ nghiêm trọng của nó. Mỗi bản đồ được đi kèm với một ước tính độ không chắc chắn nhằm định lượng mức độ tin cậy của dự báo. Đối với các lực lượng ứng phó khẩn cấp, nhà quy hoạch đô thị và các nhà phát triển hạ tầng, lớp thông tin bổ sung đó rất quan trọng: các ước tính độ không chắc chắn cũng giúp người dùng cân nhắc các sự đánh đổi. Một khu vực có thể có xác suất thấp về một siêu bão hiếm gặp, nhưng khoảng tin cậy có thể rộng, báo hiệu rằng cần thêm dữ liệu hoặc sự giám sát trước khi huy động nguồn lực. Ngược lại, một dải tin cậy hẹp xung quanh một sự kiện có xác suất cao có thể là cơ sở cho các biện pháp giảm thiểu ngay lập tức, chẳng hạn như gia cố đê điều hoặc điều chỉnh lộ trình sơ tán.

Tầm quan trọng đối với khả năng thích ứng với khí hậu

Nếu công cụ này đáp ứng được kỳ vọng, nó có thể chuyển đổi sự chuẩn bị ứng phó khí hậu từ thế bị động sang chủ động. Các nhà phát triển giải pháp công nghệ khí hậu, quan chức chính quyền địa phương và các cơ quan quản lý thiên tai sẽ có cách để lập kế hoạch cho những điều “chưa từng có tiền lệ” thay vì chỉ dựa vào những gì “đã được ghi nhận”. Điều đó có thể chuyển hóa thành các quyết định phân vùng thông minh hơn, phân bổ ngân sách khẩn cấp có mục tiêu hơn và xây dựng cơ sở hạ tầng có khả năng chịu đựng một phạm vi rộng hơn các điều kiện cực đoan.

Cộng đồng AI và khoa học khí hậu nói chung cũng sẽ được hưởng lợi. Bằng cách chứng minh rằng các mô hình dựa trên vật lý có thể mở rộng vượt ra ngoài giới hạn của dữ liệu quá khứ, nghiên cứu của MIT đã thách thức sự phụ thuộc phổ biến vào việc chỉ khớp các mẫu dữ liệu (pattern-matching). Nó gợi mở một lộ trình hướng tới các hệ thống AI vẫn duy trì được sự vững chắc khi chính khí hậu đang biến đổi.

Những câu hỏi mở và hạn chế

Việc hệ thống dựa vào vật lý không xóa bỏ mọi lo ngại. Việc xác thực các dự báo cho những sự kiện chưa từng xảy ra vốn dĩ rất khó khăn; bất kỳ đánh giá nào cũng phải dựa vào các trường hợp tương tự, các thí nghiệm tổng hợp hoặc các mô phỏng khí hậu dài hạn. Các nhà phê bình có thể lập luận rằng tính chất xác suất của kết quả đầu ra có thể bị hiểu lầm là sự chắc chắn, đặc biệt là khi truyền đạt cho các bên liên quan không chuyên về kỹ thuật.

Điều cần theo dõi tiếp theo

Điểm mấu chốt: Bằng cách gắn kết trí tuệ nhân tạo với các định luật vật lý, các kỹ sư MIT đã mở ra một con đường để dự báo các hiện tượng thời tiết cực đoan nằm ngoài hồ sơ lịch sử, cung cấp các bản đồ rủi ro độ phân giải cao, có tính đến độ không chắc chắn, điều có thể định hình lại cách xã hội chuẩn bị cho một khí hậu đang biến đổi không ngừng.