Google DeepMind ra mắt WeatherNext Cyclones: Dự báo chính xác đường đi và cường độ bão

Mô hình này được xây dựng với sự hợp tác của Trung tâm Bão Quốc gia (NHC), Viện Hợp tác Nghiên cứu Khí quyển và Cơ quan Khí tượng Vương quốc Anh (UK Met Office). Kể từ tháng 6 năm 2025, các dự báo đã được vận hành trực tiếp trên Weather Lab của Google. Theo Deepmind, trong cơn bão Melissa đổ bộ vào Jamaica năm 2025, mô hình này đã giúp NHC dự đoán kịp thời sự tăng cường độ nhanh chóng của bão. Đây là hiện tượng bão tăng tốc độ gió ít nhất 30 hải lý (khoảng 34 dặm/giờ) trong vòng 24 giờ.

WN-C giải quyết sự đánh đổi tồn tại hàng thập kỷ

Dự báo bão từ lâu đã gặp phải một sự đánh đổi. Các mô hình toàn cầu như hệ thống tập hợp (ENS) của ECMWF rất mạnh trong việc dự đoán quỹ đạo nhưng lại quá thô sơ để dự báo cường độ. Các mô hình khu vực chuyên biệt như Hệ thống Phân tích và Dự báo Bão (HAFS) của NOAA cung cấp các chỉ số cường độ chính xác hơn nhưng lại giảm độ chính xác về quỹ đạo. Theo một bài báo công bố trên Nature, WN-C xử lý cả hai yếu tố này trong một hệ thống duy nhất.

Đối với dự báo năm ngày, vị trí tâm bão ước tính sai lệch trung bình 230 km, so với 370 km của ENS và 335 km của mô hình tiền nhiệm GenCast từ Deepmind. Đối với dự báo cường độ trong ba ngày, WN-C chính xác hơn HAFS 3,75 hải lý (khoảng 4,3 dặm/giờ).

WN-C cũng đạt điểm số cao gấp đôi so với ENS và GenCast trong các dự báo xác suất về cường độ bão ở nhiều thời điểm dự báo khác nhau. Theo Deepmind, đối với xác suất gió đạt 64 hải lý - ngưỡng mà bão đạt đến cường độ cuồng phong - mô hình này mang lại giá trị thực tiễn cao hơn cho việc ra quyết định so với ENS.

Dữ liệu thô, dự báo sắc nét hơn

WN-C hoạt động với lưới dữ liệu mà mỗi điểm bao phủ khoảng 28 km, thô hơn khoảng một trăm lần so với các mô hình khu vực chuyên biệt. Deepmind cho biết, ngay cả một biến thể nhỏ gọn với 111 km mỗi điểm lưới cũng tạo ra kết quả cạnh tranh.

Các tác giả viết: "Độ phân giải cao không phải là điều kiện tiên quyết bắt buộc để dự báo cường độ ở trình độ tiên tiến nhất". Dữ liệu thời tiết thô dường như chứa nhiều thông tin về sức mạnh của bão hơn bất kỳ ai từng nghĩ. Việc làm thế nào các mô hình tạo ra dự báo chính xác như vậy ở độ phân giải này vẫn là một câu hỏi nghiên cứu mở.

Mạng tạo sinh chức năng (Functional Generative Networks) thay thế phương pháp khuếch tán

WN-C sử dụng Mạng tạo sinh chức năng (FGN). GenCast dựa vào phương pháp khuếch tán (diffusion), một phương pháp nổi tiếng từ các trình tạo ảnh AI, và cần hàng chục lượt chạy qua mạng thần kinh cho mỗi bước dự báo. FGN chỉ cần một lượt chạy duy nhất, giúp nó nhanh hơn gấp tám lần.

Để nắm bắt sự không chắc chắn, hệ thống không thêm nhiễu vào từng pixel riêng lẻ như cách hầu hết các phương pháp khác thực hiện. Thay vào đó, nó đưa nhiễu vào các lớp kiểm soát của mạng. Điều này tạo ra các kịch bản khác nhau nhưng nhất quán về mặt vật lý thay vì chỉ là các biến thể nhiễu của cùng một đầu ra.

Việc huấn luyện trên hai nguồn dữ liệu rất khác nhau là yếu tố then chốt. Nhóm nghiên cứu đã sử dụng gần 20 terabyte dữ liệu khí quyển toàn cầu từ các phân tích của ECMWF cùng với cơ sở dữ liệu được chọn lọc gồm khoảng 5.000 cơn bão lịch sử. Để mô hình học được từ cả hai nguồn cùng lúc, dữ liệu bão dạng bảng, bao gồm vị trí, cường độ và phạm vi, được chiếu lên cùng một lưới địa lý với dữ liệu thời tiết.

Điều đó cho phép mạng dự đoán trực tiếp quỹ đạo, cường độ và bán kính gió. Các nghiên cứu cắt bỏ (ablation studies) trong bài báo cho thấy chính quá trình huấn luyện kết hợp này đã thúc đẩy các cải tiến.

1.000 kịch bản cho mỗi cơn bão

Một dự báo 15 ngày chạy trong chưa đầy một phút trên một trong các chip AI của Google, vì vậy Deepmind đã tăng số lượng các lượt chạy dự báo song song từ 50 lên 1.000. Các tập hợp lớn như thế này có thể giúp nắm bắt các sự kiện cực đoan hiếm gặp một cách đáng tin cậy hơn. Theo bài báo, Chỉ số Thành công Quan trọng (Critical Success Index), vốn cân nhắc giữa các cảnh báo đúng với báo động giả và các sự kiện bị bỏ lỡ, đã tăng từ dưới 0,3 lên 0,5.

Một sự bổ sung, không phải sự thay thế

Theo Deepmind, các mô hình số truyền thống vẫn quan trọng. NHC thường kết hợp kết quả từ một số mô hình dựa trên vật lý thành một mức trung bình có trọng số cho các dự báo chính thức của mình, chia thành quỹ đạo (TVCN) và cường độ (IVCN). Trong một phép cộng có trọng số mô phỏng cho các mô hình đồng thuận này, WN-C cải thiện dự báo quỹ đạo trung bình 28%. Đối với cường độ, mức tăng là khoảng 6%. Sự cải thiện nhỏ hơn về cường độ cho thấy các mô hình truyền thống vẫn đóng góp đáng kể trong lĩnh vực đó.

Một mô hình được phát triển trong nhiều năm

Deepmind đã công khai tất cả những điều này, phát hành mã nguồn và trọng số cho cả WeatherNext 2 và WeatherNext Cyclones trên GitHub. Biến thể mini chạy trên một TPU duy nhất trong một notebook Colab miễn phí. Đối với các cảnh báo chính thức, các tác giả vẫn hướng người dùng đến các cơ quan khí tượng quốc gia. WN-C nhằm mục đích hỗ trợ các nhà dự báo, không phải thay thế họ.

Năm ngoái, Deepmind đã giới thiệu WeatherNext 2, AI thời tiết nền tảng hiện đã trở thành mã nguồn mở cùng với biến thể bão. Vào tháng 6 năm 2025, Deepmind và Google Research đã ra mắt Weather Lab, một nền tảng được xây dựng cho dự báo bão mà mô hình thử nghiệm của nó hiện đã trở thành WeatherNext Cyclones. Sự hợp tác với NHC và CIRA đã được thiết lập vào thời điểm đó.

Trước đó, Deepmind đã phát hành GenCast vào cuối năm 2024, mô hình thời tiết xác suất đầu tiên đánh bại hệ thống tập hợp của ECMWF, cũng là mã nguồn mở. WN-C thay thế phương pháp khuếch tán của GenCast bằng phương pháp FGN nhanh hơn và mở rộng phạm vi sang các cơn bão nhiệt đới.

Tuy nhiên, thành tích dự báo của Google không phải lúc nào cũng mạnh mẽ như vậy. Hệ thống Cảnh báo Động đất Android của họ đã đánh giá thấp nghiêm trọng các trận động đất tại Thổ Nhĩ Kỳ năm 2023, xếp hạng một trận động đất 7,8 độ chỉ ở mức 4,5 đến 4,9 và chỉ gửi 469 cảnh báo quan trọng trong khi lẽ ra hàng triệu người phải được cảnh báo.

Thành tựu khoa học này đến trong một giai đoạn đầy biến động đối với chính Deepmind. CEO Demis Hassabis gần đây đã rút lui khỏi các hoạt động hàng ngày để trở thành Giám đốc Khoa học của Alphabet, trong khi nhà nghiên cứu trưởng Jeff Dean đã rời đi sau 27 năm để đồng sáng lập startup AI Discovery Loop cùng với một số nhà nghiên cứu cấp cao khác.