Tại Kimtang, một ngôi làng miền núi ở miền trung Nepal, mặt đất đang chuyển động cực kỳ chậm nhưng liên tục: các vết nứt xuất hiện trên bậc thềm nhà, cây cối mọc quanh co và những dịch chuyển mà mắt thường không thể nhận thấy đang tích tụ thành những thảm họa tiềm tàng. Antoinette Tordesillas, nhà toán học đến từ Đại học Melbourne, đã chiếu hình ảnh vệ tinh màu thông qua liên kết video - trong toàn bộ sườn đồi xanh, một khu vực rộng lớn dưới chân ngôi làng được hệ thống trí tuệ nhân tạo đánh dấu màu đỏ chói, điều đó có nghĩa là con dốc nơi cư dân đã canh tác và sinh sống qua nhiều thế hệ này đang trong tình trạng mất ổn định nghiêm trọng và có thể phát triển thành một trận lở đất tàn khốc bất cứ lúc nào. Trớ trêu thay, toàn bộ dân làng Jintang đã phải di dời do trận lở đất gần đó vào năm 2019, nhưng khu tái định cư mới được AI đánh giá là mảnh đất bất ổn nhất trong toàn khu vực.
Theo ấn tượng truyền thống, lở đất thường là thảm họa tức thời mà không có cảnh báo, nhưng hình ảnh vệ tinh radar lại tiết lộ một bức tranh khác: trong những ngày, tuần hoặc thậm chí nhiều năm trước khi xảy ra vụ sập quy mô lớn, các hạt trên bề mặt đã bắt đầu "tách lỏng lẻo" từ từ ở mức milimet, như thể một vũ công di chuyển theo một loại nào đó của "vũ đạo vô hình". Bằng cách theo dõi những biến dạng nhỏ này theo thời gian, trí tuệ nhân tạo có thể phát hiện các dấu hiệu thảm họa mà mắt thường không thể nhìn thấy từ rất lâu trước khi chúng xảy ra. Nghiên cứu cho thấy dưới tác động của nhiều yếu tố như biến đổi khí hậu, xây dựng cơ sở hạ tầng và khai khoáng, tần suất trượt lở đất trên toàn cầu ngày càng gia tăng. Chỉ riêng ở Mỹ, lở đất giết chết 25 đến 50 người mỗi năm và gây thiệt hại kinh tế hàng tỷ USD; trên toàn cầu, số người chết mỗi năm lên tới "hàng chục nghìn". Vào tháng 10 năm 2025, nhiều vụ lở đất xảy ra ở vùng núi Nepal, khiến khoảng 60 người thiệt mạng, một lần nữa làm nổi bật tính dễ bị tổn thương của quốc gia miền núi cao này.
Hầu như không thể xác định được "trạng thái trước thảm họa" này trên quy mô lớn nếu chỉ dựa vào sức người. Nhóm Todesilas dựa vào vệ tinh radar "Sentinel-1" của châu Âu - vệ tinh này phát ra các xung radar lên bề mặt với tần số khoảng 2.000 lần mỗi giây để thu được thông tin địa hình và dịch chuyển chính xác. Tình cờ, vệ tinh này đã bay qua khu vực Jintang nhiều lần với góc tới phù hợp, cung cấp cho AI đủ dữ liệu chất lượng cao để “đọc” độ dốc cực kỳ tích cực từ những bức ảnh khổng lồ. Những hình ảnh mới nhất được sử dụng để phân tích là từ tháng 1 năm 2025. Tính đến thời điểm hiện tại, không có vụ lở đất quy mô lớn nào xảy ra trong khu vực, nhưng cảnh báo sớm có nguy cơ cao do AI đưa ra đã cho phép nhóm nghiên cứu can thiệp trước và làm việc với dân làng và chính quyền địa phương để xây dựng kế hoạch giám sát mặt đất và thảo luận về các tuyến đường sơ tán cũng như điểm tập trung khẩn cấp có thể có.
Bản đồ rủi ro do trí tuệ nhân tạo tạo ra không chỉ chỉ ra những mối nguy hiểm mà còn giúp tìm ra những “mỏ neo” tương đối an toàn. Ví dụ: thuật toán cho thấy trường trung học cơ sở địa phương ở Jintang nằm ở một trong những khu vực ổn định nhất trên sườn dốc. Thông tin này đã được các nhà nghiên cứu thông báo rõ ràng cho trưởng thôn và các quan chức chính quyền để làm cơ sở quan trọng cho việc phòng tránh tình trạng khẩn cấp và phân bổ nguồn lực trong tương lai. Todesillas nhấn mạnh rằng họ đã sử dụng máy học với các ràng buộc vật lý: nhóm nghiên cứu đã tích hợp nhiều năm hiểu biết về “cơ chế vật lý của sự mất ổn định độ dốc” vào mô hình, thay vì giao nhiệm vụ hoàn toàn cho một “hộp đen” để giảm nguy cơ đánh giá sai. Mặc dù vậy, AI vẫn có thể mắc lỗi, vì vậy điều quan trọng là phải liên tục hiệu chỉnh và chứng thực bằng các phép đo thực tế.
Các công nghệ tương tự đang được sử dụng trong các cuộc điều tra tai biến địa chất quy mô lớn hơn. Alessandro Novellino thuộc Cơ quan Khảo sát Địa chất Anh (BGS) đang sử dụng AI để xử lý dữ liệu radar Sentinel-1 bao phủ toàn bộ hòn đảo của Vương quốc Anh, phân tích sự biến dạng của khoảng 300.000 sườn dốc. Kết quả cho thấy khoảng 3.000 sườn dốc có “chuyển động chậm liên tục”. Độ dịch chuyển hàng năm chỉ tính bằng milimet và gần như không thể nhận thấy bằng mắt người nhưng nó có thể báo hiệu nguy cơ xảy ra lở đất quy mô lớn trong tương lai. Ngay cả khi những sườn dốc này không bao giờ sụp đổ hoàn toàn, thì sự biến dạng liên tục cũng đủ để ảnh hưởng nghiêm trọng đến cơ sở hạ tầng giao thông trong nhiều năm - nghiên cứu ước tính rằng những sườn dốc hoạt động như vậy có liên quan đến khoảng 14.000 km đường cao tốc và 360 km đoạn đường sắt, và cần được đưa vào kế hoạch bảo trì và gia cố trước.
Novelino đã chỉ ra rằng nếu các nhà phân tích so sánh và giải thích từng hình ảnh vệ tinh này, khối lượng công việc sẽ được tính bằng "năm", trong khi hệ thống máy học có thể hoàn thành nhiệm vụ tương tự trong vài phút đến vài giờ, do đó tạo ra "khoa học mới mà trước đây đơn giản là không thể làm được". Công việc hiện tại này không sử dụng dữ liệu thời gian thực vì việc truy cập thời gian thực rất tốn kém, nhưng dữ liệu lịch sử từ một hoặc hai năm trước vẫn có giá trị: miễn là xu hướng dài hạn rõ ràng, nó có thể cung cấp cơ sở cho việc đánh giá rủi ro trung và dài hạn. Trong các kịch bản khác, BGS cũng sẽ nhanh chóng huy động dữ liệu viễn thám mới nhất sau khi thảm họa xảy ra để hỗ trợ ứng phó khẩn cấp. Ví dụ, sau khi một vụ lở đất chết người xảy ra ở Sumatra, Indonesia, họ đã hoàn thành việc lập bản đồ tự động về khoảng 4.000 vụ lở đất trong một khoảng thời gian ngắn, cung cấp cho các cơ quan chính phủ và nghiên cứu khoa học địa phương những tài liệu tham khảo chính về những con đường nào vẫn có thể đi qua và những khu vực nào bị ảnh hưởng nặng nề nhất.
Các nhà khai thác cơ sở hạ tầng cũng bắt đầu coi AI như một “kính lúp” về an toàn địa chất. Network Rail, công ty chịu trách nhiệm quản lý hầu hết mạng lưới đường sắt của Vương quốc Anh, cho biết họ sử dụng "phân tích do AI cung cấp" để tích hợp dữ liệu từ cảm biến đường ray, kiểm tra bằng máy bay không người lái, tàu kiểm tra chuyên dụng và kiểm tra thủ công để xác định và quản lý rủi ro lở đất và mất ổn định nền dọc theo tuyến, cho phép các đội bảo trì phát hiện trước sự cố và can thiệp nhanh chóng, giảm khả năng gián đoạn tuyến hoặc thậm chí tai nạn trật bánh.
Ở vùng núi cao, công nghệ tương tự cũng đã được áp dụng vào lĩnh vực cảnh báo tuyết lở. Trong mùa đông vừa qua, riêng trận tuyết lở ở dãy Alps ở châu Âu đã khiến hơn 100 người thiệt mạng. Tại khu vực Lake Tahoe thuộc bang California, Mỹ, một trận tuyết lở đã cướp đi sinh mạng của 9 người trượt tuyết hồi tháng 2. James Fox, sinh viên thạc sĩ tại Ecole Polytechnique Fédérale de Lausanne, nhận thấy rằng có webcam trên khắp dãy Alps. Ông và các cộng sự đã phát triển một hệ thống nhận dạng hình ảnh dựa trên deep learning để tự động “ghi lại” khoảnh khắc tuyết lở từ những hình ảnh giám sát công cộng này. Để đào tạo hệ thống, họ đã chú thích thủ công khoảng 4.000 bức ảnh tuyết lở, cho phép mạng lưới thần kinh học cách xác định đường viền và đặc điểm động của trận tuyết lở trong các cảnh quan núi phức tạp.
Fox cho biết deep learning có lợi thế rõ ràng trong các nhiệm vụ trực quan “khó có thể trừu tượng hóa thành các quy tắc bằng mắt thường”, nhưng hệ thống không được “không được giám sát” hoàn toàn. Ông nhấn mạnh rằng kết quả nhận dạng của AI nên được sử dụng làm tín hiệu cảnh báo sớm, cần được đánh giá thủ công trước khi quyết định có bắt đầu giải cứu hay không, thay vì để "máy tính tự động báo động". Công nghệ này đã được thử nghiệm thực tế tại cơ quan cảnh báo tuyết lở Tyrol của Áo. Mặc dù cơ quan địa phương tin rằng họ có "triển vọng đầy hứa hẹn", tỷ lệ cảnh báo sai hiện nay vẫn còn cao. Đặc biệt rất dễ nhầm lẫn những tảng đá lộ ra sau khi tuyết tan là tuyết lở. Do đó, việc tiếp tục tối ưu hóa và cộng tác giữa con người và máy móc vẫn cần thiết trong thời gian ngắn.
Với tình trạng khí hậu nóng lên liên tục làm suy yếu lớp băng vĩnh cửu trên núi cao, nguy cơ tuyết lở, lở đất và lở đất ngày càng gia tăng và các công cụ AI dự kiến sẽ trở thành một trong những phương tiện cốt lõi để giám sát "máy gia tốc ẩn" này. Bằng cách so sánh lâu dài sự thay đổi hình ảnh ở núi, sông băng, tường đá và các khu vực khác, các nhà nghiên cứu có thể phát hiện dấu hiệu nới lỏng băng và nứt các lớp đá sớm hơn, từ đó điều chỉnh các tuyến đường leo núi, đóng cửa các đoạn nguy hiểm hoặc gia cố các cơ sở quan trọng.
Điều thú vị là trí tuệ nhân tạo không chỉ “vẽ thêm vạch đỏ”. Ở một số nơi, nó giúp các thành phố “cởi trói” cho họ. Nhóm của Ingry Natalia Gómez-Miranda, kỹ sư tại Đại học Pascual Bravo ở Colombia, đã thu thập và phân tích hơn 180 hồ sơ trượt lở đất và tọa độ địa lý chính xác ở Medellín từ năm 1981 đến năm 2019, đồng thời sử dụng máy học để vẽ lại các khu vực dễ bị lở đất đô thị và chia nhỏ chúng theo mức độ rủi ro. Kết quả cho thấy một số sườn dốc từ lâu đã được chỉ định là "khu vực cấm xây dựng" cho thấy rủi ro thấp hơn trong mô hình cập nhật và có thể được mở cửa trở lại để xây dựng theo các quy định nghiêm ngặt, giải phóng thêm không gian đất hợp pháp và an toàn cho các thành phố đang thiếu nhà ở.
Nhưng đối với các nhà khoa học đã xử lý dữ liệu lở đất trong một thời gian dài, sự thay đổi sâu sắc nhất có thể là “tâm lý”. Họ phát hiện ra rằng những ngọn núi mà mọi người thường coi là “vĩnh cửu” thực ra luôn nhô lên và hạ xuống từ từ - lớp vỏ va chạm và dâng lên, xói mòn yếu đi và lực hấp dẫn được phân bổ lại. Những quá trình này không bao giờ dừng lại mà với tốc độ cực kỳ chậm. Todesilas nói: “Bây giờ, mỗi lần đến Nepal, tôi thật khó có thể thư giãn hoàn toàn”. Giờ đây, khi nhìn những ngọn núi, cô không còn có thể coi chúng chỉ là một phong cảnh tĩnh tại nữa mà giống như một kịch bản địa chất chậm rãi lật từng trang. Nó chỉ cần đến “kính lúp” của AI để con người có thể hiểu được những dòng chảy ngầm.