Google DeepMind ra mắt WeatherNext 3: Mô hình dự báo thời tiết thế hệ mới

Các nhà khoa học tại Google DeepMind và Google Research hôm nay đã công bố một mô hình trí tuệ nhân tạo mới phục vụ dự báo thời tiết, giúp quan sát bầu khí quyển đang thay đổi của chúng ta một cách rõ ràng hơn và dự đoán các hiện tượng thời tiết với tần suất dày đặc hơn.

WeatherNext 3 là làn sóng mới nhất trong cuộc cách mạng khí tượng học được thúc đẩy bởi các kỹ thuật học sâu (deep learning). Google cho biết họ sẽ bắt đầu tích hợp mô hình này vào thông tin thời tiết mà người dùng thấy trên Tìm kiếm, Google Maps và Gemini, đồng thời cung cấp cho người dùng và các nhà nghiên cứu trên các nền tảng đám mây của Google.

“Đây là lần đầu tiên một số biến số cốt lõi được đưa vào và vận hành cho rất nhiều sản phẩm của Google,” Samier Merchant, kỹ sư cấp cao tại Google, chia sẻ với TechCrunch.

Mô hình mới này đã chứng minh là chính xác nhất trong số các đối thủ hàng đầu được thử nghiệm trên Operational WeatherBench, một công cụ so sánh các dự báo AI do startup Brightband xây dựng. Nó tập trung vào các chỉ số như nhiệt độ, tốc độ gió và độ ẩm.

Bên cạnh việc vượt qua các mô hình học sâu khác do Google, Microsoft, Nvidia và Trung tâm Dự báo Thời tiết Tầm trung Châu Âu (ECMWF) xây dựng, nó còn đánh bại cả các dự báo truyền thống từ Cơ quan Thời tiết Quốc gia Hoa Kỳ và ECMWF.

Hầu hết các dự báo thời tiết hiện nay đến từ các siêu máy tính của chính phủ, vốn phải xử lý vất vả các phương trình toán học mô tả vật lý của thời tiết; mặc dù các hệ thống này đã trở nên cực kỳ chính xác, nhưng chúng rất đắt đỏ và tương đối chậm. Sau khi ECMWF công bố hơn nửa thế kỷ dữ liệu thời tiết do các hệ thống này tạo ra vào năm 2018, các nhà nghiên cứu học sâu đã bắt đầu huấn luyện các mô hình có khả năng đưa ra dự đoán nhanh hơn nhiều với độ chính xác tương đương các công cụ của chính phủ.

“Thời tiết vốn hỗn loạn, vì vậy những khác biệt nhỏ thực sự bắt đầu gây ra những biến động lớn… Học máy nhắm vào vấn đề mà chúng ta thực sự đang giải quyết, đó là vật lý nhiễu xấp xỉ từ thông tin không đầy đủ và khả năng tính toán hữu hạn, nhờ đó nó học được các quy luật từ lượng dữ liệu khổng lồ,” Ferran Alet, quản lý nhà khoa học nghiên cứu tại DeepMind, cho biết.

Kể từ đó, các nhà phát triển mô hình đã tập trung giải quyết những điểm yếu chính của các mô hình dự báo AI: Chúng thường dự báo trên một phạm vi rộng hơn—từ 15 đến 25 km vuông—so với mức thực sự hữu ích, không phải lúc nào cũng xử lý tốt dữ liệu mưa và vẫn phụ thuộc vào các tập dữ liệu đã được định dạng do các cơ quan chính phủ cung cấp.

WeatherNext 3 giải quyết cả ba thách thức này. Các nhà nghiên cứu chia sẻ với TechCrunch rằng, đối với các biến số chính, mô hình có thể dự báo với độ phân giải xuống tới 5km. Khả năng đánh giá về lượng mưa đã cải thiện 60% so với WeatherNext 2, và giờ đây nó có thể đưa ra dự báo hàng giờ thay vì dự báo tiêu chuẩn mỗi sáu giờ một lần.

Những cải tiến đó là kết quả từ các lựa chọn cụ thể của đội ngũ thiết kế. WeatherNext 3 là một mô hình lớn hơn, với số lượng tham số gấp 2,4 lần so với phiên bản tiền nhiệm, đồng thời tinh chỉnh các mục tiêu cho các bộ giải mã (decoder heads) để đưa ra câu trả lời hữu ích hơn. Trong khi hầu hết các dự báo thời tiết xuất ra dưới dạng các chỉ số trung bình trên lưới 3D, các nhà nghiên cứu tại DeepMind đã nhận được nhiều lời khen ngợi khi tinh chỉnh mô hình của họ để có thể trực quan hóa cả đường đi của bão.

Lần này, các nhà thiết kế cũng huấn luyện mô hình để nhắm mục tiêu dự báo vào các trạm dữ liệu thời tiết cụ thể. Điều này không chỉ quan trọng để cung cấp các dự đoán chi tiết hơn mà còn để đánh giá hiệu quả của mô hình dựa trên dữ liệu thực tế (ground-truth) cụ thể.

“Ý tưởng với nhiều ứng dụng AI là cố gắng thực hiện các tác vụ theo hướng end-to-end (đầu cuối) nhiều nhất có thể,” Daniel Rothenberg, nhà khoa học khí quyển tại Brightband, cho biết. “Việc bổ sung khả năng dự báo, ví dụ như trạm thời tiết tại sân bay Denver sẽ đo được gì hàng giờ, giúp kết nối tác vụ dự báo đó gần hơn với cốt lõi vấn đề.”

Mô hình có khả năng dự báo thường xuyên hơn vì nó có thể tiếp nhận dữ liệu vệ tinh thời tiết được thu thập theo thời gian thực hàng giờ. Việc cung cấp cho các mô hình AI những quan sát thực nghiệm thô, thay vì các phân tích do siêu máy tính thời tiết tạo ra, hứa hẹn mang lại dự báo chính xác hơn, nhưng về mặt kỹ thuật, việc khiến các mô hình hoạt động với dữ liệu chưa định dạng vẫn là một thách thức.

Google cho biết WeatherNext 3 là mô hình AI “đầu tiên” tích hợp trực tiếp các quan sát thô cho dự báo toàn cầu độ phân giải cao, nhưng startup AI thời tiết WindBorne cho biết mô hình của họ, WeatherMesh 6, đã tích hợp các quan sát thô từ đội ngũ khinh khí cầu thời tiết và các nguồn khác từ cuối năm 2025. Khi được hỏi về điều này, Google chỉ ra rằng các dự báo của họ có độ phân giải cao hơn trên toàn cầu. Dù sao đi nữa, cả hai mô hình vẫn dựa vào các tập dữ liệu thời tiết quốc gia để thực hiện dự báo, vì vậy cần nhiều nỗ lực hơn nữa để đạt được sự đồng hóa dữ liệu trực tiếp thực sự.

Trong khi các mô hình ngôn ngữ lớn (LLM) thu hút phần lớn sự chú ý, cuộc cách mạng transformer trong khí tượng học cũng quan trọng không kém. Các cơ quan thời tiết ở Mỹ và Châu Âu đã và đang sử dụng các mô hình AI trong các sản phẩm dự báo của họ, và tốc độ cũng như chi phí thấp của chúng hứa hẹn mang lại tác động kinh tế cho các khu vực nghèo hơn, nơi chi phí cho các cảm biến chất lượng cao và siêu máy tính vốn nằm ngoài tầm với.

Bill Gates gần đây đã trích dẫn dự báo thời tiết bằng AI như một lợi ích quan trọng của công nghệ này, với các dự báo tốt hơn giúp cải thiện năng suất cây trồng ở các quốc gia đang phát triển. Alet, nhà nghiên cứu tại DeepMind, cho biết các dự báo độ phân giải cao về gió, mưa và độ che phủ của mây sẽ hữu ích để giúp các dự án năng lượng tái tạo trở nên đáng tin cậy hơn.

“Suy cho cùng, tôi nghĩ Google hướng tới việc cung cấp thông tin hữu ích cho người dùng, và phần lớn những gì người dùng tìm kiếm đều liên quan đến thời tiết theo cách này hay cách khác,” Alet nói.

Khi bạn mua hàng thông qua các liên kết trong bài viết của chúng tôi, chúng tôi có thể nhận được một khoản hoa hồng nhỏ. Điều này không ảnh hưởng đến tính độc lập trong biên tập của chúng tôi.