Các nhà khoa học tại Google DeepMind và Google Research vừa ra mắt một mô hình trí tuệ nhân tạo (AI) mới dành cho dự báo thời tiết, giúp quan sát rõ hơn sự thay đổi của khí quyển và dự đoán hành vi của nó với tần suất cao hơn.

WeatherNext 3 là làn sóng mới nhất trong cuộc cách mạng khí tượng học nhờ các kỹ thuật học sâu, và Google cho biết mô hình này sẽ bắt đầu được tích hợp vào các thông tin thời tiết mà người dùng thấy trên công cụ tìm kiếm, Google Maps, Gemini, cũng như cung cấp cho người dùng và các nhà nghiên cứu trên nền tảng đám mây của Google.

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

Mô hình mới này đã chứng minh là chính xác nhất trong số các đối thủ hàng đầu được kiểm tra trên Operational WeatherBench, một công cụ so sánh dự báo AI do startup Brightband phát triển. Công cụ này đánh giá 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 Trung hạn Châu Âu (ECMWF) phát triển, WeatherNext 3 còn vượt trội hơn cả các dự báo truyền thống của Cơ quan Thời tiết Quốc gia Hoa Kỳ và ECMWF.

Phần lớn các dự báo thời tiết hiện nay được tạo ra từ các siêu máy tính do chính phủ sở hữu, xử lý hàng loạt phương trình toán học mô tả vật lý khí tượng. Mặc dù các hệ thống này ngày càng chính xác, nhưng lại tốn kém và tốc độ xử lý 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 thể dự đoán nhanh hơn nhiều mà vẫn đạt độ chính xác tương đương với các công cụ của chính phủ.

“Thời tiết vốn hỗn loạn, nên những khác biệt nhỏ có thể gây ra biến động lớn... Học máy nhắm vào vấn đề thực sự mà chúng ta cần giải quyết, đó là vật lý nhiễu xạ gần đúng từ thông tin không đầy đủ và khả năng tính toán hữu hạn, nhờ đó nó học được các mẫu từ lượng dữ liệu lớn,” ông Ferran Alet, quản lý nhóm nghiên cứu tại DeepMind, cho biết.

Kể từ đó, các nhà phát triển mô hình đã tập trung khắc phục những điểm yếu chính của dự báo AI: Thường dự báo trên diện tích rộng (15-25 km2) hơn mức cần thiết, chưa thực sự tốt với mưa, và vẫn phụ thuộc vào các bộ dữ liệu đã được định dạng do các cơ quan chính phủ cung cấp.

WeatherNext 3 giải quyết cả ba thách thức này. Theo các nhà nghiên cứu chia sẻ với TechCrunch, mô hình có thể dự báo với độ phân giải tới 5 km đối với các biến số quan trọng. Đánh giá về dự báo mưa đã cải thiện 60% so với WeatherNext 2, và hiện có thể tạo ra dự báo theo giờ thay vì mỗi 6 giờ như trước.

Những cải tiến này là kết quả của các lựa chọn thiết kế cụ thể. WeatherNext 3 là một mô hình lớn hơn, với số lượng tham số gấp 2,4 lần phiên bản trước, điều chỉnh mục tiêu cho các đầu giải mã 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 DeepMind đã được đánh giá cao nhờ tinh chỉnh mô hình để trực quan hóa cả đường đi của các cơn lốc xoáy.

Lần này, các nhà thiết kế còn huấn luyện mô hình để nhắm tới dự báo cho các trạm dữ liệu thời tiết cụ thể. Điều này không chỉ quan trọng để cung cấp dự báo chi tiết hơn, mà còn giúp đánh giá kết quả dự báo dựa trên dữ liệu thực tế tại mặt đất.

Ông Daniel Rothenberg, nhà khoa học khí quyển tại Brightband, nhận định: "Ý tưởng, với nhiều ứng dụng AI, là cố gắng thực hiện các tác vụ một cách trọn vẹn nhất có thể. Việc bổ sung khả năng để mô hình này dự báo, ví dụ, những gì trạm thời tiết tại sân bay Denver sẽ đo được theo từng giờ, giúp nhiệm vụ dự báo gần hơn với cốt lõi của vấn đề.”

Mô hình có thể dự báo thường xuyên hơn nhờ khả năng tiếp nhận dữ liệu vệ tinh thời tiết được thu thập theo thời gian thực mỗi giờ. Việc huấn luyện AI trên các quan sát thực nghiệm thô, thay vì dữ liệu đã qua xử lý của siêu máy tính thời tiết, hứa hẹn mang lại dự báo chính xác hơn, nhưng về mặt kỹ thuật, việc xử lý dữ liệu chưa định dạng vẫn còn nhiều thách thức.

Google cho biết WeatherNext 3 là mô hình AI “đầu tiên” tích hợp trực tiếp các quan sát thô để dự báo toàn cầu với độ phân giải cao, nhưng startup AI thời tiết WindBorne khẳng định mô hình WeatherMesh 6 của họ đã tích hợp các quan sát thô từ đội bóng bay thời tiết và các nguồn khác từ cuối năm 2025.

Khi được hỏi về điều này, Google nhấn mạnh rằng dự báo của họ có độ phân giải cao hơn trên toàn cầu. Dù vậy, cả hai mô hình vẫn dựa vào các bộ dữ liệu thời tiết quốc gia để thực hiện dự báo, nên cần thêm nhiều nỗ lực để đạt được việc đồng hóa dữ liệu trực tiếp thực sự.

Dù các mô hình ngôn ngữ lớn (LLM) thu hút phần lớn sự chú ý, nhưng cuộc cách mạng transformer trong khí tượng học cũng quan trọng không kém. Các cơ quan thời tiết châu Âu và Mỹ đã sử dụng mô hình AI trong sản phẩm dự báo của mình, và tốc độ cùng chi phí thấp của chúng hứa hẹn mang lại tác động kinh tế cho các khu vực nghèo, nơi chi phí cảm biến chất lượng cao và siêu máy tính khiến dự báo chính xác trở nên xa vời.

Tỷ phú Bill Gates gần đây cũng nhấn mạnh dự báo thời tiết bằng AI là một lợi ích quan trọng của công nghệ này, với các dự báo tốt hơn giúp tăng năng suất cây trồng ở các nước đang phát triển.

Ông Alet, nhà nghiên cứu DeepMind, cho rằng các dự báo độ phân giải cao về gió, mưa và mây sẽ giúp các dự án năng lượng tái tạo trở nên đáng tin cậy hơn.

“Cuối cùng, tôi nghĩ Google hướng tới việc cung cấp thông tin hữu ích cho người dùng, và rất nhiều điều người dùng quan tâm đều liên quan đến thời tiết theo cách này hay cách khác,” ông Alet chia sẻ.