WeatherNext là gì và vì sao thêm 24 giờ lại quan trọng đến vậy?
WeatherNext là mô hình AI dự báo bão AI và thời tiết do nhóm nghiên cứu tại Google DeepMind phát triển, có khả năng dự báo quỹ đạo, cường độ và phạm vi gió của xoáy thuận nhiệt đới sớm hơn trung bình 24 giờ so với các mô hình dự báo chủ đạo hiện nay, đồng thời vẫn duy trì mức độ chính xác tương đương, giúp nâng chất lượng cảnh báo thiên tai sớm cho các cộng đồng dễ bị tổn thương. Điểm mấu chốt ở đây không phải là công nghệ thuần túy, mà là tác động trực tiếp lên sinh mạng con người. WeatherNext cho phép nhà dự báo có thêm khoảng một ngày chuẩn bị: từ lên kế hoạch sơ tán, bố trí nguồn lực cứu hộ, đến cảnh báo sớm cho người dân trong vùng nguy cơ. Khi dự báo trước 3 ngày đạt độ chính xác tương đương mô hình cũ ở mốc 2 ngày, khoảng thời gian “vàng” ấy có thể là ranh giới giữa thiệt hại thảm khốc và tổn thất có thể kiểm soát.
Từ cơn bão Melissa đến bước nhảy vọt của dự báo bão AI
Điểm ngoặt lớn nhất của WeatherNext Google DeepMind không nằm trong phòng thí nghiệm, mà ở thực địa. Khi một xoáy thuận hình thành trên biển Caribe, các mô hình truyền thống bất đồng: đi Haiti với cường độ yếu, hay lao thẳng vào Jamaica và mạnh lên? WeatherNext chọn kịch bản thứ hai và, 5 ngày trước khi tâm bão đổ bộ, đưa ra dự báo với độ tin cậy 80% rằng hệ thống sẽ đánh vào Jamaica dưới dạng bão cấp 5. Cơn bão Melissa sau đó gây lũ lụt, sạt lở nghiêm trọng, nhưng nhờ cảnh báo thiên tai sớm dựa trên mô hình AI, các cộng đồng trên đường đi của bão có thời gian chuẩn bị. Theo Giám đốc Trung tâm Bão Quốc gia Mỹ, “thời gian là vàng trong mọi quyết định sơ tán và bố trí nguồn lực, nên khả năng kéo dài độ chính xác thêm một ngày là cực kỳ giá trị”. Đây là ví dụ sống động cho thấy mô hình học sâu thời tiết có thể chuyển từ nghiên cứu sang cứu người.
Vì sao dữ liệu độ phân giải thấp vẫn tạo ra dự báo chính xác?
Từ góc nhìn kỹ thuật, WeatherNext Cyclones đi ngược nhiều giả định cũ trong ngành khí tượng. Mô hình này được huấn luyện trên dữ liệu khí quyển toàn cầu kết hợp khoảng 5.000 hồ sơ lịch sử xoáy thuận nhiệt đới, để đồng thời học quy luật biến động thời tiết chung và đặc điểm phát triển của bão nhiệt đới. Dù chỉ dùng dữ liệu có độ phân giải lưới khoảng 28 km, hệ thống vẫn dự báo tốt cả quỹ đạo lẫn cường độ; trước đây, giới chuyên môn tin rằng cần mạng lưới có độ phân giải cao hơn mới nắm bắt được biến thiên tinh vi quanh tâm bão. Ngay cả các nhà nghiên cứu phát triển mô hình cũng chưa hoàn toàn hiểu vì sao dữ liệu “thô” như vậy lại đủ tín hiệu cho dự báo cường độ chính xác. Điều này cho thấy chúng ta có thể đã đánh giá thấp thông tin chứa trong dữ liệu thời tiết toàn cầu và đang mở ra một hướng nghiên cứu mới về cách mô hình học sâu thời tiết trích xuất cấu trúc khí quyển quan trọng từ nguồn dữ liệu tưởng như hạn chế.
Mã nguồn mở: cơ hội cho các quốc gia dễ tổn thương bởi thiên tai
Quyết định công khai mã nguồn và bộ trọng số của WeatherNext 2 và WeatherNext Cyclones là phần quan trọng nhất nếu nhìn từ lăng kính công bằng khí hậu. Khi hai mô hình dự báo bão AI này trở thành open-source, các cơ quan khí tượng và viện nghiên cứu ở quốc gia đang phát triển không còn bị lệ thuộc vào hạ tầng siêu máy tính đắt đỏ hay phần mềm đóng, mà có thể trực tiếp thử nghiệm, tinh chỉnh, và xây dựng phiên bản phái sinh phù hợp với đặc thù khu vực. WeatherNext Cyclones có thể cùng lúc dự báo quỹ đạo, cường độ và phạm vi gió với hạn dự báo lên tới 15 ngày, trong khi cho kết quả sớm hơn trung bình 24 giờ so với các mô hình chủ đạo hiện nay. Việc mở mã nguồn biến thuật toán này thành “tài sản chung” của cộng đồng khí tượng toàn cầu, mở đường cho mạng lưới ứng dụng cảnh báo thiên tai sớm từ cấp quốc gia đến địa phương, thay vì chỉ nằm trong tay một số ít tổ chức.
Tương lai cảnh báo thiên tai: từ 50 đến 1.000 kịch bản và câu hỏi còn bỏ ngỏ
Khác với nhiều hệ thống dự báo truyền thống chỉ đưa ra một kịch bản, WeatherNext tạo đồng thời nhiều kịch bản thời tiết và tính toán xác suất cho từng trường hợp. Trong mùa bão 2025, nhóm phát triển đã tạo 50 kịch bản dự báo, và nay nâng con số lên 1.000, cho phép theo dõi cả những tình huống xác suất thấp nhưng tác động lớn, như xoáy thuận nhiệt đới mạnh lên nhanh chỉ trong vài chục giờ. Việc Trung tâm Bão Quốc gia Mỹ sử dụng WeatherNext như tài liệu tham khảo cho công tác dự báo cho thấy mô hình không còn là thử nghiệm thuần túy. Điều đáng chú ý là ngay cả khi đã đạt các mốc này, Google DeepMind thừa nhận vẫn chưa thể giải thích đầy đủ cơ chế nội tại giúp mô hình khai thác hiệu quả dữ liệu khí tượng tương đối thô và coi đây là hướng nghiên cứu tiếp theo. Tương lai cảnh báo thiên tai sớm vì thế vừa hứa hẹn, vừa đòi hỏi trách nhiệm: cộng đồng khoa học cần hiểu rõ hơn cách các mô hình học sâu thời tiết suy luận, để tích hợp chúng một cách minh bạch, an toàn trong hệ thống quyết định liên quan đến sinh mạng hàng triệu người.
