GRAPHCAST: MÔ HÌNH AI DỰ BÁO THỜI TIẾT CỦA

GOOGLE

I. LỜI MỞ ĐẦU
Thời tiết ảnh hưởng đến tất cả chúng ta, theo nhiều cách lớn và nhỏ. Nó có thể
quyết định cách chúng ta ăn mặc vào buổi sáng, cung cấp năng lượng xanh cho chúng
ta và trong trường hợp xấu nhất, tạo ra những cơn bão có thể tàn phá cộng đồng. Trong
một thế giới thời tiết ngày càng khắc nghiệt, việc dự báo nhanh và chính xác chưa bao
giờ quan trọng hơn thế.
Google DeepMind đã phát triển một thuật toán học máy mà hãng tuyên bố có thể
dự đoán thời tiết chính xác hơn các phương pháp dự báo hiện tại, đang sử dụng siêu
máy tính.
Mô hình AI dự báo thời tiết của Google, được gọi là GraphCast, đã dự báo thời
tiết trong 10 ngày chính xác hơn hệ thống Dự báo độ phân giải cao (HRES) do Trung
tâm Dự báo thời tiết tầm trung châu Âu (ECMWF). GraphCast đưa ra dự đoán tính
bằng phút thay vì hàng giờ, vượt qua khả năng của HRES, vốn là hệ thống mô phỏng
thời tiết tiêu chuẩn hiện nay.
II. DỰ BÁO THỜI TIẾT HÔM NAY VÀ NGÀY MAI
Dự báo thời tiết truyền thống được tạo ra bởi các mô hình máy tính dự đoán
tương lai dựa trên trạng thái hiện tại của khí quyển. Những dự đoán thời tiết bằng số
(NWP) này sử dụng các phương trình vật lý và động lực học chất lỏng phức tạp để dự
đoán những thay đổi trong khí quyển từ mặt đất lên đến đỉnh tầng đối lưu. Các lập
trình viên thường tinh chỉnh các mô hình này để cải thiện kết quả đầu ra, nhưng chúng
không hoàn hảo.
Dự báo chúng ta thấy trên ứng dụng thời tiết trên điện thoại thông minh của mình
đến trực tiếp từ mô hình dự báo. Không có kiểm soát chất lượng. Đó là dữ liệu thô và
nó thường sai.
Dự báo chúng ta nhận được từ đài truyền hình địa phương và Dịch vụ thời tiết
quốc gia là khác nhau. Các nhà dự báo thời tiết nghiên cứu đầu ra của các mô hình.
Dựa trên sự hiểu biết của họ về các kiểu thời tiết địa phương và kinh nghiệm trong quá
khứ, các nhà dự báo sẽ dịch dữ liệu sang ngôn ngữ mà một người bình thường có thể
hiểu được. Thậm chí, thời tiết đôi khi còn khác với dự báo.
 GraphCast của Google cũng sử dụng máy tính để dự báo tương lai. Tuy nhiên, nó
không sử dụng toán học và vật lý phức tạp. Giống như các nhà dự báo thời tiết địa
phương, nó dựa vào kinh nghiệm trong quá khứ. Nó dự đoán tương lai bằng cách sử
dụng dữ liệu thời tiết lịch sử kết hợp với dự đoán thời tiết dựa trên máy học (MLWP.)
Hay nói cách khác là trí tuệ nhân tạo.
Theo các nhà phát triển dự án, GraphCast đã được đào tạo bằng cách sử dụng dữ
liệu lưu trữ trong 39 năm từ Trung tâm Dự báo Thời tiết Trung bình Châu Âu
(ECMWF). Bằng cách so sánh các kiểu thời tiết hiện tại với các kiểu thời tiết tương tự
trong quá khứ, các nhà phát triển khẳng định GraphCast có thể đưa ra “dự báo chính
xác cho 10 ngày trong vòng chưa đầy một phút”.

Giống như NWP, quá trình dự báo GraphCast bắt đầu với trạng thái hiện tại của
khí quyển. Nó cũng kết hợp các điều kiện thời tiết từ sáu giờ trước đó. Dựa trên hai
thông tin đầu vào này, cũng như sự hiểu biết về các kiểu thời tiết trong lịch sử, MLWP
dự đoán trạng thái của khí quyển trong sáu giờ tới. Sau đó, sử dụng dự báo đó làm
thông tin đầu vào ban đầu, nó sẽ dự đoán thêm sáu giờ nữa. Và như thế.
Trong quá trình thử nghiệm, GraphCast hoạt động tốt hơn dự báo Độ phân giải
cao (HRES) của ECMWF khi so sánh 1180 thông số khác nhau. Hơn nữa, mặc dù
GraphCast không được đào tạo đặc biệt để dự đoán lốc xoáy nhiệt đới, sông trong khí
quyển và những thay đổi nhiệt độ khắc nghiệt, nhưng các dự báo “nhìn chung là vượt
trội” so với HRES.
III. HIỆU SUẤT TRONG QUÁ KHỨ KHÔNG PHẢI LÀ DẤU HIỆU CHO KẾT
QUẢ TRONG TƯƠNG LAI
Một cổ phiếu đã tăng giá trong quá khứ không có nghĩa là nó sẽ tăng giá trong
tương lai. Nó có thể. Nhưng nó có thể không.
Tương tự, chỉ vì một cơn bão lớn ở Vịnh Mexico đã đổ bộ gần Houston trong quá
khứ không có nghĩa là nó sẽ xảy ra trong tương lai. Nó có thể. Nhưng nó có thể không.
Nhóm phát triển viết: “Một hạn chế chính trong cách tiếp cận của chúng tôi là
cách xử lý sự không chắc chắn”. Vì mục đích đó, họ không coi GraphCast là sự thay
thế cho dự đoán thời tiết bằng số truyền thống. “Thay vào đó, công việc của chúng tôi
nên được hiểu là bằng chứng cho thấy MWLP có thể đáp ứng những thách thức của
các vấn đề dự báo trong thế giới thực và có tiềm năng bổ sung và cải thiện các phương
pháp tốt nhất hiện tại.”

IV. ĐIỂM MẠNH CỦA NHÀ DỰ BÁO THỜI TIẾT TRUYỀN HÌNH
Các nhà dự báo thời tiết vẫn sở hữu những thế mạnh riêng cho phép họ cạnh
tranh với công cụ dự báo thời tiết AI của Google. Một trong những lợi thế chính của
các nhà dự báo thời tiết là khả năng diễn giải và truyền đạt thông tin thời tiết một cách
hiệu quả tới công chúng.

Mọi người trả lời người khác. Việc xem dữ liệu trên ứng dụng thời tiết không
hữu ích bằng việc nhờ ai đó giải thích ý nghĩa của dữ liệu đó và nó có thể tác động đến
cộng đồng địa phương như thế nào. Đó cũng chính là lý do các tổ chức tổ chức họp
báo bên cạnh việc phát hành thông cáo báo chí. Thông điệp có tác động nhiều hơn nếu
bạn nghe ai đó nói nó.
Các nhà dự báo thời tiết có kỹ năng truyền đạt những dự báo thời tiết phức tạp
theo cách dễ hiểu đối với nhiều đối tượng. Họ có thể cung cấp bối cảnh, giải thích
những điều không chắc chắn và đưa ra những hiểu biết sâu sắc dựa trên chuyên môn
và kinh nghiệm của họ. Ngoài ra, các nhà dự báo thời tiết có thể cung cấp thông tin
cập nhật theo thời gian thực trong các hiện tượng thời tiết khắc nghiệt, đưa ra hướng
dẫn và trấn an có giá trị cho những người bị ảnh hưởng.
V. NHỮNG HẠN CHẾ CỦA DỰ BÁO THỜI TIẾT AI
Mặc dù có hiệu suất ấn tượng nhưng GraphCast vẫn có một số hạn chế nhất định
mà các nhà dự báo thời tiết phát sóng có thể tận dụng. Một trong những thách thức
chính mà hệ thống AI phải đối mặt là sự phụ thuộc vào điều kiện thời tiết và dữ liệu
lịch sử được quan sát. GraphCast cần ECMWF để khởi tạo. Và mặc dù công nghệ AI
có thể vượt trội trong việc phân tích các mô hình hiện có, nhưng nó có thể gặp khó
khăn trong việc dự báo các sự kiện thời tiết thay đổi nhanh chóng hoặc chưa từng có.

Có lẽ vì lý do đó mà các nhà phát triển cho biết: “GraphCast có thể được đào tạo
lại định kỳ với dữ liệu gần đây, về nguyên tắc cho phép nó nắm bắt các kiểu thời tiết
thay đổi theo thời gian, chẳng hạn như tác động của biến đổi khí hậu và dao động khí
hậu kéo dài”.
Hơn nữa, GraphCast và các dự báo thời tiết AI khác thiếu trực giác và hiểu biết
theo ngữ cảnh. Các mô hình thời tiết không phải lúc nào cũng đơn giản. Các nhà dự
báo thời tiết thường áp dụng kiến thức và khả năng phán đoán của mình để dự đoán
chính xác các tình huống phức tạp. Ngoài ra, các nhà dự báo thời tiết có thể cung cấp
thông tin và dự báo cục bộ cho các địa điểm và sự kiện cụ thể mà hệ thống AI có thể
gặp khó khăn trong việc tái tạo.
VI. TẦM QUAN TRỌNG CỦA SỰ TIẾP XÚC CỦA CON NGƯỜI TRONG BÁO
CÁO THỜI TIẾT
Báo cáo thời tiết không chỉ có dữ liệu và dự đoán; nó còn là việc kết nối với khán
giả ở cấp độ cá nhân. Các nhà dự báo thời tiết có khả năng thiết lập mối quan hệ với
người xem, xây dựng niềm tin và sự tín nhiệm theo thời gian. Họ có thể mang lại cảm
giác nhân văn trong việc đưa tin thời tiết bằng cách chia sẻ những câu chuyện cá nhân,
giải thích tầm quan trọng của các sự kiện thời tiết và giải quyết những mối quan tâm
cụ thể của người xem.
Hơn nữa, các nhà dự báo thời tiết có thể đưa ra những hiểu biết có giá trị ngoài
những con số và biểu đồ. Họ có thể thảo luận về tác động tiềm ẩn của các sự kiện thời
tiết đối với cuộc sống hàng ngày, chẳng hạn như sự gián đoạn trong việc đi lại, các
hoạt động ngoài trời và các biện pháp phòng ngừa an toàn. Yếu tố con người trong báo
cáo thời tiết này bổ sung thêm chiều sâu và tính liên quan, khiến nó trở thành một khía
cạnh quan trọng khiến các nhà dự báo thời tiết khác biệt với trí tuệ nhân tạo.
VII. SỰ HỢP TÁC GIỮA CÁC NHÀ KHÍ TƯỢNG HỌC PHÁT SÓNG VÀ
CÔNG NGHỆ AI
Tương lai mong đợi là AI sẽ giúp các nhà dự báo thời tiết theo dõi điều kiện thời
tiết, sản xuất nội dung thời tiết và phân phối nội dung đó trên nhiều kênh và nền tảng
khác nhau.
Trí tuệ nhân tạo có thể là một công cụ mạnh mẽ giúp các nhà dự báo thời tiết
hoàn thành khối lượng công việc hàng ngày. Với sự trợ giúp của AI, các nhà dự báo
thời tiết sẽ có nhiều thời gian hơn để phân tích dữ liệu thời tiết, xác định các mối đe
dọa và truyền đạt các tác động tiềm ẩn đối với cộng đồng địa phương của họ.